基于机器学习的模型用于预测乳腺癌复发风险

科学领域:

• 在瘤学瘤学.
• 生物医学信息学 生物医学信息学
• 医疗保健中的机器学习

背景情况:

• 乳腺癌是全球女性中最常见的恶性瘤,发病率越来越高.
• 早期诊断和准确的复发检测对于改善患者预后至关重要.
• 开发强大的乳腺癌复发预测模型对于个性化治疗策略至关重要.

研究的目的:

• 为了比较11个用于预测乳腺癌复发的机器学习算法.
• 确定开发可靠的乳腺癌复发预测模型的最佳算法.
• 提高临床应用预测模型的可解释性.

主要方法:

• 评估了11个机器学习算法:逻辑回归,随机森林,支持矢量分类,极端梯度增强,梯度增强决策树,决策树,多层感知子,线性差异分析,自适应增强,高斯素朴贝叶斯和光梯度增强机器.
• 模型性能使用包括曲线下面面积 (AUC),准确度,灵敏度,特异性,正预测值 (PPV),负预测值 (NPV) 和F1得分等指标进行评估.
• 使用沙普利增量解释 (SHAP) 值来对特征的重要性进行排序,并提高模型的可解释性.

主要成果:

• 与其他十种算法相比,自适应增强 (AdaBoost) 算法在预测乳腺癌复发方面表现优越.
• 确定为预测复发最重要的关键特征包括CA125,CEA,Fbg和瘤直径.
• 这项研究是第一个利用SHAP值与AdaBoost算法来提高乳腺癌复发预测的可解释性.

结论:

• 该AdaBoost算法提供了一个非常有效的临床决策支持工具,用于准确预测乳腺癌复发.
• 鉴定的重要特征为临床医生在监测复发风险患者时提供了有价值的见解.
• 整合像AdaBoost这样的可解释机器学习模型可以显著帮助管理乳腺癌预后.