使用基于临床实验室参数的机器学习算法构建结直肠癌诊断模型

科学领域:

• 在瘤学瘤学.
• 生物化学 生物化学
• 机器学习 机器学习

背景情况:

• 结肠镜是结肠直肠癌 (CRC) 的首要诊断工具,但瘤标志物对早期诊断性能有限制.
• 开发综合诊断模型对于提高CRC检测率至关重要.
• 这项研究旨在使用各种实验室参数创建一种新的CRC诊断模型.

研究的目的:

• 开发和评估基于机器学习的结直肠癌 (CRC) 诊断模型.
• 整合多个实验室参数,包括瘤标志物和血液细胞计数,以加强CRC诊断.
• 将机器学习模型的诊断效率与传统瘤标志物组合进行比较.

主要方法:

• 收集了100名CRC患者,114名良性结肠直肠疾病患者和101名健康对照者的临床和实验室数据.
• 使用了12个参数:癌胚抗原 (CEA),碳水化合物抗原19-9 (CA19-9),碳水化合物抗原242 (CA242),血清,生化和凝血参数.
• 构建并评估了用于CRC诊断的三个机器学习模型 (MLP,XGBoost,RF),评估AUC,灵敏度和特异性.

主要成果:

• 随机森林 (RF) 模型在CRC识别方面表现出卓越的性能,AUC达到0.902.2.
• 射频模型在验证集上实现了高精度 (0.803),灵敏度 (0.908) 和特异性 (0.772).
• 射频模型的性能优于仅使用CEA,CA19-9和CA242 (AUC:0.761) 的综合诊断模型.

结论:

• 整合多个实验室参数的机器学习模型显著提高了CRC诊断效率.
• 开发的RF模型为临床CRC诊断提供了更高的准确性.
• 这种方法为结直肠癌检测提供了更强大的诊断工具.