机器学习和逻辑回归算法的比较,用于预测胃癌患者的淋巴结转移:一项两中心研究

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 手术瘤学手术瘤学

背景情况:

• 精确预测淋巴结转移对于胃癌的分期和治疗计划至关重要.
• 传统的逻辑回归 (LR) 模型在捕捉患者数据中的复杂关系方面存在局限性.
• 机器学习 (ML) 为医疗保健中的预测建模提供了先进的计算方法.

研究的目的:

• 开发和评估机器学习 (ML) 和后勤回归 (LR) 模型,用于预测胃癌患者的淋巴结转移.
• 将各种ML算法的预测性能与传统LR进行比较.
• 确定在胃癌管理中临床应用最有效的ML算法.

主要方法:

• 对369名胃癌患者 (培训组) 和123名患者 (验证组) 的数据进行了回顾性分析.
• 七个模型的开发和比较:决策树,随机森林,支持矢量机 (SVM),梯度增强机 (GBM),天真贝叶斯,神经网络和LR.
• 模型性能通过使用接收器运行特征曲线 (AUC) 下的面积,经过十倍交叉验证后进行评估.

主要成果:

• 大多数ML算法,不包括SVM,显示出比传统的LR模型更高的准确性和可靠性.
• 机器学习模型提供了更直观的见解,了解各种风险因素对转移预测的影响.
• 梯度增强机 (GBM) 算法在所有测试模型中显示出最强大的预测能力.

结论:

• 机器学习 (ML) 算法在预测胃癌中淋巴结转移方面显著优于传统的逻辑回归 (LR).
• 在临床实践中,GBM算法被认为是提高转移预测准确性的最有前途的工具.
• 这些发现支持将先进的ML技术整合到胃癌诊断和治疗策略中.