机器学习算法用于肺癌预测的性能:一种比较方法
Satya Prakash Maurya1, Pushpendra Singh Sisodia2, Rahul Mishra3
1Department of Computer Science and Engineering, Graphic Era (Deemed to be University), Dehradun, India.
Scientific reports
|August 9, 2024
概括
机器学习模型可以利用临床数据早期预测肺癌. K-Nearest Neighbor 和 Bernoulli Naive Bayes 显示了最有希望的准确早期肺癌检测方法.
科学领域:
- 环境健康 环境健康
- 医疗信息学 医疗信息学
- 在瘤学瘤学.
背景情况:
- 升高的PM 2.5气溶水平与肺癌发病率和死亡率的增加相关.
- 由于微妙的早期症状,肺癌往往被诊断为晚期,需要改进的诊断工具.
- 数字临床记录和机器学习为更早,更准确的肺癌检测提供了潜力.
研究的目的:
- 评估12个机器学习算法的早期肺癌预测效果.
- 根据临床数据,确定最可靠的机器学习模型来诊断肺癌.
- 用患者的症状和生活习惯来比较预测性表现.
主要方法:
- 利用临床数据,包括11个肺癌症状和2个患者的习惯.
- 应用并比较了十二种不同的机器学习算法.
- 使用分类指标和热图相关性分析结果.
主要成果:
- K-近邻 (KNN) 模型展示了显著的预测能力.
- 伯努利天真贝叶斯 (BNB) 模型也被证明对早期检测非常有效.
- 在准确性方面,KNN和BNB都超过了其他测试过的算法.
结论:
- 机器学习,特别是KNN和BNB,为早期肺癌预测提供了可靠的方法.
- 利用先进的算法来利用临床数据可以提高诊断准确性和患者的治疗结果.
- 进一步的研究可以完善这些模型,以便在肺癌查中临床实施.
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
08:54Pathological Analysis of Lung Metastasis Following Lateral Tail-Vein Injection of Tumor Cells
Published on: May 20, 2020
8.9K
