一个机器学习的胃癌风险预测模型,使用夏普利增量扩展
Bomi Park1, Chung Ho Kim1, Jae Kwan Jun2
1Department of Preventive Medicine, College of Medicine, Chung-Ang University, Seoul, Korea.
Cancer research and treatment
|December 19, 2024
概括
一个新的机器学习模型使用健康数据准确预测胃癌 (GC) 风险. 该工具可以识别高风险个体进行早期检测和个性化查,改善医疗保健资源配置.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 公共卫生 公共卫生
背景情况:
- 胃癌 (GC) 仍然是一个重大的全球健康挑战.
- 早期检测对于改善患者的治疗结果和生存率至关重要.
- 预测模型可以帮助识别高风险的个人GC.
研究的目的:
- 开发和验证一种基于机器学习的胃癌预测模型.
- 使用大规模数据集识别胃癌的关键风险因素.
- 通过风险分层来加强胃癌的早期检测策略.
主要方法:
- 利用了来自韩国国家健康保险服务的10,515,949名成年人的大量队列.
- 开发了一个后勤回归模型,使用随机过量抽样来确定类不平衡.
- 使用8: 2列车测试分割和外部验证验证模型,使用SHapley添加式扩展 (SHAP) 进行解释性验证.
主要成果:
- 后勤回归实现了最高的预测性能,AUC为0.708 (外部验证:0.669).
- 确定的关键预测因素包括晚年,男性性别,H. pylori感染,吸烟以及GC的家族史.
- 该模型证明了对缺少数据和变量选择方法的稳定性.
结论:
- 开发的预测模型可以显著帮助早期识别患胃癌风险较高的人.
- 非侵入性和成本效益的预测因素的整合提高了常规医疗保健环境的临床效用.
- 基于模型预测,可以实施有针对性的预防策略和个性化查.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.7K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
