使用机器学习预测早期胃癌风险:基于人口的回顾性研究
Xing Ke1,2,3,4, Xinyu Cai1, Bingxian Bian1
1Department of Clinical Laboratory, Xinhua Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China.
Digital health
|April 1, 2024
概括
一个新的基于XGBoost的模型,XHGC20,有效地使用20个实验室测试来帮助早期检测胃癌 (GC). 这种机器学习方法提高了诊断的准确性,特别是当传统标记是负的,减少错过的诊断.
科学领域:
- 在瘤学瘤学.
- 医学诊断 医学诊断 医学诊断
- 医疗保健中的机器学习
背景情况:
- 早期发现和治疗胃癌对于降低死亡率至关重要.
- 目前用于GC的诊断标记在早期查方面效率有限.
- 机器学习提供了一种有前途的方法,通过整合多个指标来增强早期GC诊断.
研究的目的:
- 开发和评估一种用于早期检测胃癌 (GC) 的新型机器学习模型.
- 通过预测得分来评估模型对早期GC诊断的预测能力.
- 为了研究该模型在选GC时的有效性,当传统的蛋白质瘤标志物产生负面结果时.
主要方法:
- 使用XGBoost算法构建XHGC20模型.
- 20项临床实验室试验的综合数据用于患者分类.
- 在2018年至2023年期间使用AUC,灵敏度和特异性等指标评估模型性能.
主要成果:
- XHGC20模型在区分GC与癌前病变 (AUC=0.901) 中表现出强的性能.
- 预测得分有效地诊断了早期的GC (AUC=0.888) 并显示了负常规标记的高精度 (AUC=0.970).
- 该模型在所有评估的场景中实现了高灵敏度和特异性,大大减少了错误诊断.
结论:
- 基于XGBoost和20个实验室测试的XHGC20模型是GC的辅助实验室诊断的宝贵工具.
- 这种机器学习模型有助于早期查胃癌.
- XHGC20模型为提高GC诊断效率提供了一种新且有效的方法.
