基于机器学习算法结合中央碳代谢数据的阳性肺结节的预测
Jian-Jun Liu1, Wen-Bin Shen1, Qi-Rong Qin1,2
1Department of Epidemiology and Biostatistics, School of Public Health, Anhui Medical University, Hefei, Anhui, China.
Journal of cancer research and clinical oncology
|January 25, 2024
概括
早期发现肺癌至关重要. 这项研究开发了机器学习模型,使用中央碳代谢学来识别阳性肺结节 (PPN),有助于早期肺癌风险评估.
科学领域:
- 生物化学 生物化学
- 在瘤学瘤学.
- 数据科学数据科学数据科学
背景情况:
- 肺癌对全球的健康造成重大负担.
- 早期检测阳性肺结节 (PPNs) 对于有效的肺癌干预至关重要.
- 将中央碳代谢学与机器学习相结合,对于开发PPN风险识别器至关重要.
研究的目的:
- 开发和评估用于预测阳性肺结节 (PPNs) 风险的机器学习模型.
- 确定与PNS风险相关的关键中央碳代谢物.
- 为了提高早期肺癌检测策略.
主要方法:
- 利用了2248名高风险参与者在马安山社区肺癌查队列中的数据.
- 雇佣最小绝对缩小和选择操作员 (LASSO) 和递归特征消除 (RFE) 用于代谢物和特征选择.
- 开发和评估了五个机器学习算法,包括随机森林 (RF),使用AUC,准确性,精度,回忆和F1分数等指标.
- 应用了夏普利添加式解释 (SHAP) 来实现模型的可解释性.
主要成果:
- 随机森林 (RF) 模型表现出优异的性能,AUC值为0.87和0.83.
- 在PPN预测中确定了包括同质化酸,酸,酸,酸,酸,葡萄糖酸和酸在内的关键代谢物.
- 突出了中央碳代谢在PPN风险预测和识别中的潜力.
结论:
- 开发了用于PPN风险评估的预测模型.
- 这些模型可以帮助早期检测PPNs.
- 通过及时干预,有助于降低肺癌风险.
