机器学习用于使用SEER数据库预测髓状甲状腺癌的远程转移
Zhen-Tian Guo1, Kun Tian1, Xi-Yuan Xie2
1Department of General Surgery, Beijing Electric Power Hospital, State Grid Corporation China, Capital Medical University, Beijing 100073, China.
International journal of endocrinology
|January 8, 2024
概括
机器学习模型可以预测骨髓甲状腺癌 (MTC) 中的远程转移 (DM) 风险. 随机森林模型在MTC DM风险评估中,与传统的物流回归相比,显示出更高的准确性.
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:
- 骨髓性甲状腺癌 (MTC) 存在远程转移 (DM) 的风险.
- 准确预测DM对于有效的患者管理和MTC治疗规划至关重要.
- 现有的预测模型可能会从先进的分析方法中受益.
研究的目的:
- 开发和评估一种机器学习 (ML) 模型,用于预测甲状腺髓癌 (MTC) 中远程转移 (DM) 的风险.
- 为了比较各种ML算法的性能与传统的物流回归 (LR) 对DM风险预测在MTC.
主要方法:
- 利用国家卫生研究院的SEER数据库 (2004-2015) 对MTC患者的人口数据.
- 开发了6个ML模型,并将它们与传统的二进制物流回归 (LR) 进行了比较.
- 评估模型性能使用准确度,精度,回忆,F1分数和AUC.
主要成果:
- 包括2049名MTC患者;138人患有DM.
- 多变量LR确定了年龄,性别,瘤大小,甲状腺外延伸和淋巴结转移作为DM的预测因素.
- 与传统的LR相比,随机森林 (RF) ML模型对MTC DM风险具有更好的预测能力.
结论:
- 随机森林 (RF) 模型在预测甲状腺髓癌 (MTC) 远程转移风险方面明显优于传统的逻辑回归 (LR).
- 这种ML方法为临床医生提供了一种有价值的工具,帮助他们做出有关MTC患者护理的明智决策.
