使用机器学习构建用于肝细胞癌进展的诊断模型

科学领域:

• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 机器学习 机器学习

背景情况:

• 肝细胞癌 (HCC) 是一种主要的全球性癌症,经常被诊断为晚期,导致预后不佳.
• 目前对HCC阶段的诊断和干预标记是不够的.
• 迫切需要HCC的精确分级方法来改善患者的治疗结果.

研究的目的:

• 开发和评估用于在不同阶段诊断HCC的机器学习模型.
• 为了确定HCC进展的潜在诊断特征基因.

主要方法:

• 在118个肝脏组织样本 (GSE114564) 上使用随机森林和LightGBM算法.
• 分类样本为正常的肝脏,癌前病变和HCC (早期/晚期).
• 进一步细化了分为六个阶段的分类:正常的肝脏,慢性肝炎,肝硬化,缺血性结节,早期的HCC和高级的HCC.

主要成果:

• 在三级分类中,LightGBM模型实现了高性能 (精度=0.96,精度=0.96,回忆=0.96,F1分数=0.95).
• 随机森林模型表现良好 (准确度=0.83,精度=0.83,回忆=0.83,F1分数=0.83).
• 在六级分类中,LightGBM保持了高效率 (精度=0.71,精度=0.71,回忆=0.71,F1得分=0.72),表现优于随机森林.

结论:

• 开发了针对HCC进展的有效机器学习诊断模型.
• 确定了潜在的诊断特征基因,对HCC分期至关重要.
• 机器学习为精确的HCC诊断和分期提供了一个有希望的方法.