机器学习用于表皮卵巢癌白金耐药性复发的识别,使用常规临床数据识别复发
Li-Rong Yang1, Mei Yang2, Liu-Lin Chen1
1Hematology Oncology Department, the Southern Central Hospital of Yunnan Province, Honghe, Yunnan, China.
Frontiers in oncology
|November 25, 2024
概括
机器学习模型使用临床数据预测上皮卵巢癌白金抗性复发. XGBoost模型表现最好,为高风险患者的早期干预提供了有价值的工具.
科学领域:
- 在瘤学瘤学.
- 机器学习 机器学习
- 生物统计学 生物统计学
背景情况:
- 表皮卵巢癌 (EOC) 在治疗后经常复发.
- 识别高风险患者对于及时干预和改善结果至关重要.
- 需要在EOC中预测抗性复发的预测模型.
研究的目的:
- 开发和验证机器学习模型,用于预测在上皮卵巢癌中白金耐药性复发.
- 确定与抗性复发相关的关键临床和实验室变量.
- 将机器学习模型的性能与传统的物流回归进行比较.
主要方法:
- 对1392名EOC患者进行了回顾性队列分析,这些患者接受了基于的化疗.
- 使用拉索和多重物流回归的变量选择.
- 开发和比较五个机器学习模型 (DTA,KNN,SVM,RF,XGBoost) 与后勤回归.
- 使用五倍交叉验证和性能指标 (AUC,灵敏度,特异性,精度) 的内部验证.
主要成果:
- 多重后勤回归确定了八个变量,而拉索回归确定了七个,与抗性复发相关.
- 使用多重逻辑回归的变量,XGBoost模型实现了最高的性能 (AUC:0.784,精度:80.4%).
- 基于拉索回归的逻辑回归模型也表现良好 (AUC:0.738,准确率:79.6%).
结论:
- 通过使用常规临床和实验室数据,成功开发了EOC中白金耐药性复发的预测模型.
- XGBoost模型显示出优异的预测性能,并被推用于临床使用.
- 持续的模型演变是必要的,以适应随着时间的推移不断变化的影响因素.
