使用机器学习开发和验证用于质瘤等级的临床预测模型
Mingzhen Wu1,1, Jixin Luan2,3,1, Di Zhang1
1Department of Radiology, Liaocheng People's Hospital, Shandong First Medical University and Shandong Academy of Medical Sciences, Shandong, China.
概括
与传统方法相比,机器学习模型显著提高了质瘤分级预测的准确性. 这为手术前诊断提供了一个非侵入性的工具,增强了患者的护理.
科学领域:
- 神经瘤学神经瘤学
- 计算生物学 计算生物学
- 医学诊断 医学诊断 医学诊断
背景情况:
- 组织病理学评估是目前质瘤分级的标准,但具有侵入性.
- 需要使用非侵入性方法来预测质瘤等级.
研究的目的:
- 使用机器学习开发和验证用于质瘤分级的诊断预测模型.
- 为了确定与高度质瘤相关的危险因素.
主要方法:
- 利用了来自癌症基因组图谱 (TCGA) 的1114名质瘤患者的数据.
- 采用50个机器学习算法来构建一个预测模型.
- 将机器学习模型的性能与临床预测模型进行比较.
主要成果:
- 与临床模型相比,机器学习模型显示曲线下面面积 (AUC) 值显著改善 (例如,测试组AUC:0.863与0.718).
- 通过机器学习模型观察到综合歧视改善 (IDI) 和净重新分类指数 (NRI) 的显著改善.
- 这两种模型都表现出高度的适合性和增加的净收益.
结论:
- 机器学习算法可以开发高度质瘤风险的准确预测模型.
- 这种方法为手术前质瘤分类提供了一个非侵入性的工具.
