使用机器学习预测早期菌菌病菌的预后
Banu İsmail Mendi1, Hatice Şanlı2, Mert Akın Insel3
1Department of Dermatology, Niğde Ömer Halisdemir University Training and Research Hospital, Niğde 51000, Türkiye.
Life (Basel, Switzerland)
|November 27, 2024
概括
机器学习算法在预测常见的皮肤淋巴瘤真菌菌菌 (MF) 的结果方面表现有希望. 人工智能模型在预测MF早期患者的疾病进展,治疗反应和复发方面表现优于传统方法.
科学领域:
- 皮肤病学 皮肤病学
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 菌根性菌病 (MF) 是最常见的皮肤T细胞淋巴瘤类型.
- 对于MF的预后研究是有限的,没有先前的人工智能 (AI) 研究来预测MF的预后.
- 早期的多发性肺炎需要准确的预后工具,以实现最佳的患者管理.
研究的目的:
- 将各种机器学习 (ML) 算法的预测能力与考克斯比例危险 (CPH) 模型进行比较.
- 评估ML算法来预测MF早期患者的进展,治疗反应和复发.
- 评估人工智能的潜力,以提高MF的预后准确性.
主要方法:
- 对185名在2006年至2024年期间被诊断为MF早期患者的回顾性审查.
- 应用多个ML算法 (支持矢量机器,集成模型,决策树分类器) 来预测结果.
- 将ML模型的性能 (精度,C指数) 与传统的CPH模型进行比较.
主要成果:
- 支持矢量机 (SVM) 在预测进展方面实现了75%的准确性,超过了CPH (C指数:0.652与0.501).
- 组合模型显示,完全响应预测的准确率为68.89%,超过了CPH (C指数:0.662与0.543).
- 决策树分类器在复发预测方面显示了78.17%的准确性,超过了CPH (C指数:0.782比0.505).
结论:
- 机器学习算法显示了预测早期菌菌病的预后的巨大潜力.
- 与传统的Cox比例危险模型相比,ML模型对MF结果显示出更高的预测能力.
- 人工智能驱动的工具可以增强临床决策和患者管理战略,用于早期的MF.
