关于利用机器学习技术降低胃癌查成本的可行性研究在中国泰州
Si-Yan Yan1, Xin-Yu Fu2, Shen-Ping Tang3
1Taizhou Hospital of Zhejiang Province, Zhejiang University, Hangzhou, Zhejiang, China.
Digital health
|September 9, 2024
概括
机器学习模型通过有效地区分低风险和高风险个体来优化胃癌查. 单独检测胃素-17有望为准确的查和降低成本.
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:
- 胃癌仍然是一个重大的全球健康问题.
- 有效的查策略对于早期检测和改善患者结果至关重要.
- 优化现有的查得分可以提高效率并降低医疗保健成本.
研究的目的:
- 使用先进的机器学习模型优化胃癌查得分.
- 为了降低与胃癌查相关的总体成本.
- 评估梯度增强机 (GBM),分布式随机森林 (DRF) 和深度学习 (DL) 模型在胃癌风险分层中的性能.
主要方法:
- 利用了来自泰州胃癌查计划的228,634名患者的数据集.
- 应用了三个机器学习模型:梯度提升机 (GBM),分布式随机森林 (DRF) 和深度学习 (DL).
- 使用二进制分类指标评估模型性能:曲线下的面积 (AUC) 和精度回调曲线下的面积 (AUCPR).
主要成果:
- 机器学习模型在区分低风险患者和中高风险患者方面取得了很高的表现 (AUC > 0.99).
- 模型表现出强大的区分能力,即使排除了像Helicobacter pylori IgG抗体,pepsinogen I和pepsinogen II这样的关键生物标志物.
- 在尝试三分类以区分中等和高风险组时,表现下降,这表明细粒度风险分层存在挑战.
结论:
- 胃癌查指标可以使用机器学习优化,以改善风险分层.
- 检测单独的胃素-17显示出对风险评估具有显著的歧视性影响.
- 这项研究表明,通过优化指标选择,可以节省胃癌查计划的成本.
