使用机器学习解锁全血细胞计作为乳腺癌风险分层工具:一项大规模的回顾性研究

科学领域:

• 在瘤学瘤学.
• 生物统计学 生物统计学
• 机器学习 机器学习

背景情况:

• 早期发现乳腺癌 (BC) 对于有效治疗至关重要.
• 需要风险评估工具来优化选策略.
• 目前的方法可能不是普遍可用的或具有成本效益的.

研究的目的:

• 为了评估机器学习模型的有效性,使用完整血清 (CBC) 数据进行乳腺癌风险评估.
• 开发一种可解释且具有成本效益的工具,用于个性化乳腺癌查.
• 为了优先查,将女性分为不同的风险群体.

主要方法:

• 追溯分析了396,848名年龄在40-70岁之间的女性的CBC测试.
• 开发一个回归模型,包括中性粒细胞-淋巴细胞比率,红细胞和年龄.
• 使用0.64的AUC验证模型的性能,并与LightGBM模型进行比较.

主要成果:

• 回归模型的AUC达到0.64 (95%CI为0.64-0.65).
• 该模型表现出比LightGBM模型更好的解释性.
• 分为四个风险组的分层显示相对BC比率在0.42 (低) 到1.99 (高) 之间.

结论:

• 常规血液检测的机器学习分析为乳腺癌风险评估提供了一个全球可访问和具有成本效益的方法.
• 开发的可解释模型可以将女性分为不同的风险类别,从而实现个性化查策略.
• 这种方法有可能改善乳腺癌的早期检测,特别是在资源有限的环境中.