基于SEER数据库的机器学习可以预测甲状腺癌的远程转移
Lixue Qiao1, Hao Li2, Ziyang Wang3
1Thyroid Surgery Department, The First Affiliated Hospital of Zhengzhou University, Zhengzhou, China.
Endocrine
|December 28, 2023
概括
机器学习模型可以准确地预测远程甲状腺癌转移. 随机森林模型表现出卓越的性能,有助于早期诊断和临床决策,以改善患者的治疗结果.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 甲状腺癌的远程转移是预后不佳的关键指标.
- 早期识别患有远程转移或高风险的患者对于及时干预至关重要.
研究的目的:
- 开发和评估用于预测甲状腺癌远程转移的机器学习模型.
- 提供一个计算工具,以帮助临床医生在诊断和治疗规划.
主要方法:
- 利用来自NIH SEER数据库 (2010-2015) 的人口统计和临床病理数据.
- 采用后勤回归来识别独立的风险因素.
- 对比了七个机器学习算法,包括随机森林,极端梯度增强和支持向量机器.
- 使用AUC,灵敏度,精度和F1得分来评估模型性能.
主要成果:
- 确定年龄,性别,种族,婚姻状况,组织学类型,囊入侵和淋巴结转移作为独立的风险因素.
- 随机森林模型获得了最高的性能,在测试组中AUC为0.960,F1得分为0.908.
- 该模型在预测远程转移方面表现出高灵敏度 (0.929) 和准确度 (0.906).
结论:
- 机器学习模型,特别是随机森林,显示出远程甲状腺癌转移的早期诊断的巨大潜力.
- 这些预测模型可以帮助医生做出医疗干预的明智决策.
- 这项研究为临床实践提供了有价值的参考,用于管理患有远程传播风险的甲状腺癌患者.
