基于机器学习的模型的开发,以预测α-fetoprotein阳性肝细胞癌的预后

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 数据科学数据科学数据科学

背景情况:

• 肝细胞癌 (HCC) 具有高的α-fetoprotein (AFP) 呈现出侵略性行为和不良预后.
• 患者的生存是AFP阳性HCC的关键问题.
• 需要预测模型来改善这个患者群体的结果.

研究的目的:

• 开发和评估六种机器学习 (ML) 模型,用于预测AFP阳性HCC患者的整体存活率.
• 在这个队列中确定最有效的ML算法用于生存预测.

主要方法:

• 从监测,流行病学和最终结果数据库中分析了2,038名AFP阳性HCC患者的数据.
• 六个ML算法 (XGBoost,LR,SVM,RF,KNN,ID3) 用于构建1年,3年和5年生存期的预后模型.
• 用AUC,混矩阵,校准曲线和DCA.来评估模型性能.

主要成果:

• XGBoost模型在预测1年,3年和5年的生存期方面表现出卓越的表现,在训练和测试集中AUC范围从0.740到0.807.
• 在训练和测试数据集中,XGBoost模型的准确性在70.9%至78.4%之间.
• 校准曲线和DCA证实了开发模型的良好预测能力.

结论:

• XGBoost模型显示了预测AFP阳性HCC患者的整体存活率的显著潜力.
• 这种ML模型可以成为医生的一种有价值的工具,使早期医疗干预成为可能.
• 预测准确度的提高可能会导致改善患者管理和改善AFP阳性HCC的存活率.