基于机器学习算法构建基于3厘米内第一个原发性肺腺癌的骨转移预测模型:一项回顾性研究
Yu Zhang1, Lixia Xiao2, Lan LYu3
1Department of Thoracic Surgery, First Affiliated Hospital of Xinjiang Medical University, Urumqi, Xinjiang, China.
PeerJ
|March 18, 2024
概括
机器学习准确地预测了肺腺癌中的骨转移. 使用SEER数据开发的XGBoost模型显示出高性能,并可通过在线工具进行临床使用.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 腺癌是一种非小细胞肺癌亚型,具有更高的骨转移风险.
- 骨转移显著恶化了患者的预后.
- 目前缺乏准确的骨转移预测模型.
研究的目的:
- 开发和验证机器学习模型,用于预测肺腺癌患者的骨转移风险.
- 为此预测任务确定最有效的机器学习算法.
主要方法:
- 利用了SEER数据库数据集,其中包括19454例单独的,具有小肺结节 (<3厘米) 的原发性肺腺癌病例.
- 开发了使用七种机器学习算法的预测模型:XGBoost,LR,LightGBM,AdaBoost,GNB,MLP和SVM.
- 在训练和测试集上使用AUC评估模型性能.
主要成果:
- XGBoost在训练组和测试组的AUC为0.913和0.853,表现出卓越的性能.
- 基于XGBoost模型的在线评分系统被开发用于实际的临床应用.
结论:
- XGBoost是一种有效的算法,用于预测特定肺腺癌病例的骨转移.
- 开发的模型和在线工具为风险评估提供了潜在的临床实用性.
