基于机器学习的肝癌风险预测模型的构建和评估
Ying-Ying Wang1, Wan-Xia Yang1, Qia-Jun Du1
1Laboratory Medicine Center, The Second Hospital & Clinical Medical School, Lanzhou University, Lanzhou 730030, Gansu Province, China.
World journal of gastrointestinal oncology
|October 1, 2024
概括
一个新的机器学习模型,随机森林 (RF),在预测肝癌 (肝细胞癌 - HCC) 中显示出高准确性. 这种模型可以帮助更早的诊断,并改善患者对这种流行癌症的治疗结果.
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:
- 肝癌,特别是肝细胞癌 (HCC),是全球癌症相关死亡的主要原因.
- 由于微妙的早期症状,晚期诊断显著降低了治疗疗效和患者的存活率.
- 准确的风险预测模型对于早期检测和改善肝癌管理至关重要.
研究的目的:
- 开发和评估基于机器学习的肝癌风险预测模型.
- 为了比较不同的机器学习算法用于肝癌预测的性能.
- 为了确定准确的肝癌风险评估的关键变量.
主要方法:
- 使用训练队列 (190 HCC, 195 肝硬化) 开发了后勤回归 (LR),支持向量机 (SVM),随机森林 (RF) 和 LASSO回归模型.
- 在独立验证队列中对模型的性能评估 (83 HCC,82 肝硬化).
- 使用ROC曲线,校准曲线和决策曲线分析 (DCA) 与ASAP模型进行比较分析.
主要成果:
- 六个关键变量 (年龄,白细胞,红细胞,血小板计数,AFP,PIVKA-II) 被确定用于模型开发.
- 射频模型在训练 (0.969) 和验证 (0.858) 组中实现了最高的曲线下面面积 (AUC).
- 与LR,SVM,LASSO和ASAP模型相比,RF模型表现出优越的区分和强大的校准.
结论:
- 随机森林模型对肝细胞癌的预测性能表现出色.
- 这种射频模型有可能在HCC的早期临床诊断中发挥重要作用.
- 这项研究强调了机器学习在开发有效的肝癌风险预测工具方面的实用性.
