一种先进的机器学习方法,用于同时预测乳腺癌风险和中国人口的风险排名:一项前性队列和建模研究
Liyuan Liu1,2, Yong He2,3, Chunyu Kao3
1Department of Breast Surgery, The Second Hospital, Cheeloo College of Medicine, Shandong University, Jinan, Shandong 250033, China.
Chinese medical journal
|February 26, 2024
概括
新的乳腺癌风险模型预测了中国妇女的长期和短期风险. 整体惩罚后勤回归 (EPLR) 和整体惩罚长期 (EPLT) 模型显示,风险分层查和预防的准确性有所提高.
科学领域:
- 在瘤学瘤学.
- 流行病学 流行病学
- 生物统计学 生物统计学
背景情况:
- 亚洲女性准确的乳腺癌 (BC) 风险分层工具是有限的.
- 需要在现有的BC风险评估工具中提高解释能力.
研究的目的:
- 开发和验证新的风险分层模型,以预测中国妇女的长期和短期BC风险.
- 在这个人群中识别和排名潜在的非实验性BC风险因素.
主要方法:
- 利用来自中国女性 (122,058名参与者) 乳腺癌队列研究的数据.
- 开发了机器学习模型,包括惩罚后勤回归,引导和集体学习.
- 创建了短期 (EPLR) 和长期 (EPLT) 风险预测模型,通过校准和歧视进行评估,并通过外部验证.
主要成果:
- 短期EPLR模型实现了0.800 (内部) 和0.751 (外部) 验证的AUC.
- 长期EPLT模型显示AUC为0.692 (内部) 和0.760 (外部) 验证.
- 与盖尔和HCBCP模型相比,EPLT显示了更高的分类准确性 (净重新分类改进:分别为0.193和0.233).
结论:
- 开发的EPLR和EPLT模型有效地选患乳腺癌高风险人群.
- 这些模型为加强风险分层查策略和BC预防工作提供了有价值的工具.
