基于机器学习的肺结节多分类预测模型的建立和验证
Qiao Liu1, Xue Lv1, Daiquan Zhou1
1Department of Radiology, The Third Affiliated Hospital of Chongqing Medical University, Chongqing, China.
The clinical respiratory journal
|May 13, 2024
概括
与现有方法相比,一种新的随机森林 (RF) 模型在预测肺结节 (PNs) 恶性瘤方面表现优异. 这种机器学习方法为PN的风险评估提供了一个有希望的非侵入性工具.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 放射学 放射学是一门学科.
背景情况:
- 肺癌是全球癌症死亡的主要原因之一.
- 肺结节 (PNs) 的准确风险分层对于及时诊断和治疗至关重要.
- 现有的PN恶性瘤预测模型需要进一步验证和改进.
研究的目的:
- 开发和评估基于新型机器学习 (ML) 的PNS多分类预测模型.
- 为了比较开发的ML模型与三种既定的预测模型 (Mayo,PKUPH和Brock) 的性能.
主要方法:
- 利用了来自四个机构的914名PNS患者的数据集.
- 收集了临床,放射和实验室特征,并将其分为良性 (BL),前体 (PL) 和恶性病变 (ML) 组.
- 包括后勤回归 (LR),决策树 (DT),随机森林 (RF) 和支持矢量机器 (SVM) 在内的模型被训练和验证.
主要成果:
- 随机森林 (RF) 模型在内部测试集中实现了高AUC值来预测MLs (0.80),PLs (0.90) 和BLs (0.75).
- 对于外部验证,RF模型的加权平均AUC为0.71,超过了Mayo (0.68),PKUPH (0.64) 和Brock (0.57) 模型.
- 在外部验证中,RF模型在不同类型的病变中显示出强大的预测性能.
结论:
- 开发的射频模型表现出优越的PN的预测性能,与三个已验证的公布模型相比.
- 这种基于ML的方法为肺结节的风险评估提供了潜在的新型非侵入性方法.
- 进一步的研究和RF模型的临床实施可以改善肺癌诊断和患者的治疗结果.
