机器学习在临床诊断的头部和部癌症
Hollie Black1, David Young2, Alexander Rogers3
1Department of Naval Architecture, Ocean and Marine Engineering, University of Strathclyde, Glasgow, UK.
概括
这项研究探讨了用于头癌 (HNC) 分类的机器学习. 顺序逻辑回归表现最好,识别了恶性诊断的关键人口和症状预测因素.
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:
- 机器学习 (ML) 在各种医疗领域显示出前景.
- 它在分类头癌 (HNC) 的应用需要进一步的研究.
研究的目的:
- 评估ML算法来对HNC患者进行分类.
- 为了确定区分恶性病例的最有效的算法.
主要方法:
- 皇后伊丽莎白大学医院的观察队列研究.
- 利用了通过USOC途径转诊的患者的人口统计和症状数据 (2019年1月至2021年5月).
- 比较ML算法用于预测良性,潜在恶性和恶性诊断.
主要成果:
- 顺序逻辑回归实现了最高的性能 (AUC 0.6697,平衡精度 0.641).
- 关键预测因素包括娱乐性药物使用,生活状况和子块.
- 确定了HNC分类的重要人口和基于症状的指标.
结论:
- 顺序逻辑回归是HNC分类的一个可行的方法.
- 需要更大的数据集,特别是恶性和前恶性病例,以提高ML模型的性能.
- 解决阶级不平衡对于提高HNC的预测准确性至关重要.
