通过机器学习算法分类器预测肺状细胞癌的淋巴结转移

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:

• 淋巴结转移 (LNM) 显著影响肺状细胞癌 (LUSC) 的预后和治疗策略.
• 准确预测LNM对于在LUSC管理中有效的临床决策至关重要.

研究的目的:

• 开发和验证机器学习分类器,用于在LUSC中预测LNM.
• 在LUSC患者中确定LNM预测的关键临床参数.

主要方法:

• 利用监测,流行病学和最终结果 (SEER) 数据库来训练机器学习算法.
• 开发并比较了多个分类器,包括增强树 (BTs),使用主要临床参数.
• 在独立测试和内部队列中验证的分类器性能.

主要成果:

• 增强树木 (BT) 分类器表现出最高的性能,精度为0.654和AUC为0.714.
• 瘤阶段被确定为影响LUSC中LNM的关键因素.
• 分类器有效地区分了患有和没有LNM的患者.

结论:

• 机器学习分类器,特别是BT,为提高LUSC临床精度提供了有价值的工具.
• 这些工具可以支持LUSC患者的个性化治疗策略.
• 该研究强调了人工智能在改善瘤患者护理方面的潜力.