机器学习模型的开发和验证,用于年轻发作的结直肠癌风险分层
Junhai Zhen1, Jiao Li2, Fei Liao2
1Department of General Practice, Renmin Hospital of Wuhan University, Wuhan, 430060, Hubei Province, China.
NPJ precision oncology
|October 22, 2024
概括
机器学习模型有效地识别了幼发性结直肠癌 (YOCRC) 风险. 随机森林模型显示高准确度,有助于早期检测和结肠镜决定50岁以下的个人.
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:
- 全球年轻结直肠癌 (YOCRC) 发病率正在上升.
- 目前的查方法,如便免疫化学测试,不足以检测YOCRC.
- 对于YOCRC来说,急需改进风险分层工具.
研究的目的:
- 开发和验证机器学习 (ML) 模型,以识别患有 YOCRC 的高风险个体.
- 评估使用常规临床数据用于YOCRC风险分层的可行性.
- 改善需要结肠镜检查的年轻成年人的诊断途径.
主要方法:
- 从10,874名年轻人中追溯提取临床数据.
- 开发多个监督的ML分类器,以区分YOCRC和非CRC病例.
- 机器学习模型的内部和时间验证,重点是随机森林 (RF).
主要成果:
- 随机森林 (RF) ML模型在内部验证中实现了0.859的AUC,回忆值为0.840.
- 在时间验证中,RF模型表现出强的性能,AUC为0.888和回忆值为0.872.
- 射频算法被证明是有效的和可行的YOCRC风险分层.
结论:
- 基于ML的风险分层使用常规临床数据是YOCRC的一个可行的方法.
- 开发的RF模型可以有效地识别需要进一步调查的高风险个体,如结肠镜检查.
- 这种方法可以显著帮助临床管理和YOCRC的早期检测.
