肝细胞癌的血清检测:机器学习的应用和对诊断模型的影响

科学领域:

• 肝病学和医疗瘤学
• 生物标志物发现和验证
• 医疗保健中的机器学习

背景情况:

• 基于生物标志物的GALAD评分模型有助于肝细胞癌 (HCC) 的血清学诊断,但在前性研究中表现不佳.
• 诊断模型的现实应用需要在未来的现实环境中进行评估.
• 机器学习 (ML) 有潜力提高像HCC这样复杂疾病的诊断准确性.

研究的目的:

• 将机器学习 (ML) 应用于一个大规模的,前性收集的HCC监测数据集.
• 开发和评估基于ML的模型,以改善HCC的早期检测.
• 将ML模型的性能与已建立的GALAD评分和个别生物标志物的性能进行比较.

主要方法:

• 训练了两个随机森林 (RF) 模型:GALAD-RF (使用原始的GALAD变量) 和RF实用 (使用常规的临床/实验室特征).
• 对3473名慢性肝病患者的队列进行了评估,其中459名在监测期间检测到HCC (1998-2014).
• 通过重复交叉验证,使用接收机操作员曲线下的面积 (AUROC) 和F1得分进行模型性能比较.

主要成果:

• 在诊断准确性 (AUROC和F1得分) 方面,GALAD-RF模型显著超过了原来的GALAD逻辑回归模型.
• 与原来的GALAD模型相比,RF实用模型也表现出优越的性能.
• 这两种基于ML的模型都比单个生物标志物表现更好,并开发了一个在线应用程序.

结论:

• 基于射频的模型在标准HCC监测计划中提高了GALAD得分的诊断性能.
• 这些ML模型为HCC早期检测提供了进一步的前性验证.
• 未来的研究可以扩展这些模型,在特定的时间框架内预测HCC风险.