自动编码器和传统机器学习算法的比较性能在临床数据分析中用于预测后阶段的GKRS瘤动态

科学领域:

• 在瘤学瘤学.
• 放射性外科手术 放射性外科
• 机器学习 机器学习
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 准确预测瘤动态后的马刀放射手术 (GKRS) 对于管理大脑转移 (BMs) 至关重要.
• 传统的机器学习 (ML) 模型被使用,但深度学习提供了提高预测准确性的潜力.
• 自动编码器代表了深度学习的进步,用于特征提取和维度减少.

研究的目的:

• 评估自编码器在预测GKRS后瘤进展或回归方面的有效性.
• 评估是否整合自编码器衍生的特征可以改善传统ML模型的性能,用于预测GKRS后三个月脑转移患者的瘤动态.

主要方法:

• 对77名用GKRS治疗的大脑转移的患者的临床数据的回顾性分析.
• 利用了12个社会人口统计学,临床,治疗和放射性手术变量.
• 将传统的ML模型 (物流回归,SVM,KNN,额外树木,随机森林,XGBoost) 与结合自编码器衍生功能的混合模型进行比较.

主要成果:

• 传统的ML模型实现了高精度 (0.91-1.00).
• 集成自动编码器功能改善了后勤回归 (0.91到0.94) 和SVM (0.85到0.96) 的准确性.
• 无论特征集如何,XGBoost都显示出一致的高性能 (0.94准确度,0.98 AUC);混合模型显示出增强的预测准确度.

结论:

• 结合自编码器和传统ML的混合模型提高了GKRS后瘤动态的预测准确性.
• 自动编码器衍生的特性提高了预测模型的稳定性.
• 这些进步支持个性化医疗,通过更精确的治疗计划和改善患者的治疗结果.