机器学习用于早期区分肺癌和良性结节,使用常规的临床和实验室数据
Wei Wei1, Yun Wang1, Renren Ouyang1
1Department of Laboratory Medicine, Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology, Wuhan, China.
Annals of surgical oncology
|July 16, 2024
概括
这项研究引入了一种机器学习模型,用于使用常规临床数据进行早期肺癌检测和分期. 该模型在改善诊断准确性和患者结果方面显示出前景.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 肺癌是全球主要的健康问题.
- 早期发现和精确的分期对于改善患者的治疗结果至关重要.
- 常规的临床数据可以用于肺癌风险评估.
研究的目的:
- 开发和验证一种基于机器学习的风险模型,用于早期肺癌查.
- 通过机器学习提高肺癌分期的准确性.
- 利用常规临床数据来改善肺癌的诊断和管理.
主要方法:
- 追溯观察性研究涉及2312名肺癌患者和653名良性结节患者.
- 机器学习技术的应用,包括差异分析和特征选择.
- 利用后勤回归用于早期诊断和XGBoost用于分期,专注于结节密度,CEA,年龄和生活习惯.
主要成果:
- 对于早期诊断的物流回归模型,AUC达到0.716 (灵敏度0.703,特异性0.654).
- 测试阶段的XGBoost模型表现出高性能,AUC为0.913 (灵敏度为0.909,特异性为0.814).
- 这些模型显示出在提高肺癌的诊断准确性和分期精度方面有很大的潜力.
结论:
- 开发了一种用于肺癌查和分期的新型机器学习风险模型.
- 该模型有效地利用了常规的临床和实验室数据.
- 这些发现表明,有可能提高准确性,减少过度诊断,并改善患者的治疗结果.
