基于机器学习的多发性骨髓瘤预测模型的构建
Jiangying Cai1, Zhenhua Liu1, Yingying Wang1
1The Second Hospital & Clinical Medical School, Lanzhou University, Lanzhou, People's Republic of China.
International journal of laboratory hematology
|June 1, 2024
概括
机器学习模型可以帮助早期检测多发性髓瘤 (MM). 随机森林模型在快速MM查方面表现出卓越的性能.
科学领域:
- 血液学 血液学 血液学
- 机器学习 机器学习
- 医学诊断 医学诊断 医学诊断
背景情况:
- 多发性骨髓瘤 (MM) 构成了日益严重的全球健康挑战.
- 早期检测对于改善患者的治疗结果至关重要.
- 这项研究旨在开发MM早期检测的预测模型.
研究的目的:
- 开发和验证用于早期多发性骨髓瘤检测的机器学习模型.
- 为了比较后勤回归,支向量机和随机森林模型的性能.
- 为了确定MM预测的关键血液学参数.
主要方法:
- 追溯研究涉及465名MM患者和150名健康对照.
- 开发了后勤回归 (LR),支持向量机 (SVM) 和随机森林 (RF) 模型,使用完整血清 (CBC) 和细胞群数据 (CPD).
- 使用接收机操作特征 (ROC) 曲线,校准曲线和决策曲线分析 (DCA) 验证的模型.
主要成果:
- 使用LASSO选择了六个参数 (RBC,RDW-CV,IG,NE-WZ,LY-WX,LY-WZ).
- 随机森林 (RF) 模型在训练 (0.956),验证 (0.892) 和测试 (0.875) 集中实现了最高的曲线下面面积 (AUC).
- 与LR和SVM模型相比,RF模型显示出更高的预测性能.
结论:
- 开发的随机森林模型显示了作为快速多发性骨髓瘤查的辅助工具的前景.
- 机器学习方法可以增强早期检测血液恶性瘤.
- 需要在不同的临床环境中进一步验证.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
