基于机器学习的分类器用于预测结直肠癌患者的转移
Raheleh Talebi1, Carlos A Celis-Morales2,3, Abolfazl Akbari4
1Department of Pure Mathematics, Lecturer of Mathematics at Architecture and Computer Engineering Department, University of Applied Sciences and Technology (Unit 10), Tehran, Iran.
Frontiers in artificial intelligence
|February 8, 2024
概括
机器学习模型,特别是神经网络 (NN) 和随机森林 (RF),可以准确预测结直肠癌 (CRC) 转移. 关键预测因素包括瘤阶段和淋巴结参与,有助于早期检测和治疗计划.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 计算生物学 计算生物学
背景情况:
- 结肠直肠癌 (CRC) 在伊朗是一个越来越大的公共卫生挑战,近几十年来发生率越来越高.
- 了解和预测转移对于有效的CRC患者管理和治疗策略至关重要.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于预测结直肠癌 (CRC) 患者的转移.
- 确定影响CRC转移预测的关键人口和临床因素.
主要方法:
- 利用了1,127名CRC患者的数据集,分为80:20培训和测试集.
- 应用了各种ML算法,包括天真贝叶斯,随机森林 (RF),支持向量机 (SVM),神经网络 (NN),决策树和物流回归.
- 使用5倍交叉验证评估模型性能,专注于AUC,灵敏度和特异性等指标.
主要成果:
- 神经网络 (NN) 和随机森林 (RF) 模型在预测转移方面表现出卓越的性能,实现了高AUC,灵敏度和准确性.
- 此外,SVM还表现出强大的预测能力. 平衡的数据集通常会提高ML模型的性能.
- 瘤阶段,淋巴结数和治疗类型被确定为转移的最重要的预测因素.
结论:
- NN和RF是高效的ML方法,用于预测结直肠癌 (CRC) 患者的转移.
- 瘤阶段和受影响的淋巴结数量是CRC转移预测的关键因素.
更多相关视频
11:43Advanced Animal Model of Colorectal Metastasis in Liver: Imaging Techniques and Properties of Metastatic Clones
Published on: November 30, 2016
12.7K
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.2K
