可解释的机器学习模型用于早期胃癌诊断
Hongyang Du1, Qingfen Yang2, Aimin Ge2
1Heze Administrative Approval Guarantee Center, 3443 Huanghe East Road, Heze City, 274000, Shandong Province, China.
Scientific reports
|July 29, 2024
概括
可解释的机器学习模型显示了早期胃癌诊断的前景. 透明的人工智能工具可以通过增加临床信任和识别关键诊断生物标志物来提高准确性和患者的结果.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 人工智能的人工智能
背景情况:
- 胃癌是全球主要的健康问题,在东亚尤其普遍.
- 早期诊断对于改善患者生存率和治疗疗效至关重要.
- 目前的诊断方法可以通过先进的计算方法来增强.
研究的目的:
- 评估可解释机器学习 (ML) 模型在早期胃癌检测中的有效性.
- 评估模型透明度在临床接受和诊断准确性方面的作用.
- 确定关键的生物标志物和临床特征,用于早期的胃癌识别.
主要方法:
- 利用并评估了几种ML模型,包括WeightedEnsemble,CatBoost和RandomForest.
- 专注于使用的ML模型的可解释性方面.
- 对诊断性能进行了全面的评估.
主要成果:
- WeightedEnsemble,CatBoost和RandomForest模型在准确诊断早期胃癌方面表现出显著的潜力.
- 可解释的模型增强了信任和临床接受,有助于提高诊断准确度.
- 确定了对早期检测至关重要的关键生物标志物和临床特征.
结论:
- 可解释的ML模型为提升早期胃癌诊断提供了强大的工具.
- 模型透明度对于临床整合和改善患者结果至关重要.
- 开发的方法在其他医学诊断领域也有潜在的应用.
