基于两个数据库的机器学习模型的开发和验证,用于预测差异化甲状腺癌的肺转移风险,基于两个数据库

科学领域:

• 在瘤学瘤学.
• 机器学习 机器学习
• 医疗信息学 医疗信息学

背景情况:

• 差异化甲状腺癌 (DTC) 通常进展缓慢.
• 在DTC患者的肺转移 (LM) 与预后不佳有关.

研究的目的:

• 开发和评估机器学习 (ML) 模型,用于预测DTC患者的LM风险.
• 为了确定LM的独立风险因素,考虑年龄和性别子组.

主要方法:

• 利用来自SEER和张州市立医院数据库的人口和临床病理学数据.
• 开发并比较了五种ML模型:逻辑回归,随机森林,决策树,XGBoost和GBM.
• 使用准确度,精度,回忆,F1分数,Brier分数,ROC-AUC,PR-AUC,校准曲线和DCA的验证模型.

主要成果:

• 确定了年龄,性别,瘤大小,T阶段,N阶段和组织学类型作为LM的重要风险因素.
• 观察到性别,T阶段和组织学对LM风险的影响在各年龄小组的变化.
• 在验证组中,GBM模型实现了高性能 (AUROC 0.982,精度 0.818,F1得分 0.818).

结论:

• GBM模型是有效的识别高风险的DTC患者与LM.
• 结果可以指导临床实践和个性化治疗规划.
• 建议在不同的群体和环境中进一步验证.