机器学习模型的开发和验证,用于前列腺癌骨转移:基于炎症和营养指标
Tongtong Jin1, Jingjing An2, Wangjian Wu1
1The First Clinical Medical College, Lanzhou University, Lanzhou; Department of Urology, Gansu Provincial People's Hospital, Lanzhou.
Urology
|June 2, 2024
概括
这项研究使用机器学习开发了前列腺癌骨转移的预测模型. 后勤回归显示出强大的性能和可用于临床使用的可解释性.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
背景情况:
- 前列腺癌是男性癌症相关死亡的主要原因.
- 骨转移是晚期前列腺癌的常见和严重并发症.
- 准确预测骨转移对于及时干预和改善患者结果至关重要.
研究的目的:
- 开发和评估用于预测前列腺癌骨转移的机器学习模型.
- 确定与骨转移相关的关键临床特征.
- 在这个预测任务中比较各种机器学习算法的性能.
主要方法:
- 对404名前列腺癌患者的临床数据进行了回顾性分析.
- 使用物流回归 (LR) 和最小绝对收缩和选择运算符 (LASSO) 进行特征选择.
- 开发和比较LR,随机森林 (RF),XGBoost,天真海湾 (NB),KNN和决策树 (DT) 模型.
主要成果:
- 格里森得分,T阶段,N阶段,PSA和ALP被确定为关键预测特征.
- 所有开发的模型在训练和测试组中都表现良好 (AUC从0.80到0.94).
- 后勤回归 (LR) 显示出出色的解释性和临床适用性.
结论:
- 成功建立了前列腺癌骨转移的强大预测模型.
- 机器学习算法,特别是LR,可以有效地预测前列腺癌患者的骨转移.
- 在这个队列中,炎症和营养标志物与骨转移的相关性很弱.
