基于血液学指标的机器学习模型,用于在宫癌中进行淋巴结转移的术前预测

科学领域:

• 在瘤学瘤学.
• 生物医学信息学 生物医学信息学
• 血液学 血液学 血液学

背景情况:

• 淋巴结转移 (LNM) 是宫癌 (CC) 的关键预后因素,影响治疗决策.
• 血液学指标被认为是癌症预后的有价值生物标志物.
• 在手术前预测LNM对于优化CC患者管理至关重要.

研究的目的:

• 评估使用带有手术前血液学指标的机器学习模型用于预测CC患者LNM的可行性.
• 为此预测任务确定最有效的机器学习模型.

主要方法:

• 对236名CC患者的临床数据进行了回顾性分析.
• 在35个血液学指标上使用最小绝对收缩和选择操作员 (LASSO) 进行特征选择.
• 开发和评估六种机器学习模型 (AdaBoost,GNB,LR,RF,SVM,XGBoost),使用AUC,准确性,特异性,灵敏性和F1分数等指标.

主要成果:

• 随机森林 (RF) 模型在十倍交叉验证过程中表现出最好的预测性能.
• 在训练组中,RF实现了0.910的AUC,0.831的精度,0.835的特异性,0.831的灵敏度和0.829的F1得分.
• 射频模型在独立测试组中也显示了最高的AUC (0.854).

结论:

• 机器学习模型,特别是Random Forest,利用易于访问的手术前血液学指标,对预测宫癌淋巴结转移有效.
• 这些发现表明,一种潜在的非侵入性方法可以帮助进行手术前评估和治疗计划.
• 建议在更大的外部患者队伍中进行进一步验证,以确认这些结果的概括性.