使用多个机器学习模型预测膀癌的远程转移:基于SEER数据库的研究,具有外部验证.

科学领域:

• 泌尿器科 泌尿器科 泌尿器科 泌尿器科
• 在瘤学瘤学.
• 人工智能的人工智能

背景情况:

• 膀癌的远程转移是预后不良和死亡率的关键因素.
• 机器学习 (ML) 提供了改善膀癌诊断,分期和治疗的潜力.
• 这项研究的重点是使用ML预测膀癌患者的远程转移.

研究的目的:

• 开发和评估用于预测膀癌远程转移的机器学习模型.
• 确定与膀癌患者远程转移相关的关键特征.
• 为了比较逻辑回归,支持向量机 (SVM) 和线性差别分析 (LDA) 的预测性能.

主要方法:

• 利用了来自监测,流行病学和最终结果 (SEER) 数据库 (2000-2021) 和外部验证队列的数据.
• 应用最小绝对收缩和选择运算符 (LASSO) 回归用于特征选择.
• 开发了使用后勤回归,SVM和LDA的预测模型.
• 使用准确度,精度,F1得分和接收器操作特征曲线 (AUC) 下的面积来评估模型性能.

主要成果:

• 年龄,化疗,瘤大小和淋巴结评估是远程转移的重要预测因素.
• 后勤回归实现了最高的预测准确度 (0.874内部,0.856外部) 和精度 (0.805内部,0.877外部).
• 所有模型都在内部和外部验证队列中都显示出强大的区分能力,AUC> 0.7.

结论:

• 机器学习模型,特别是逻辑回归,在预测膀癌的远程转移方面表现出很高的准确性.
• 这些模型可以帮助临床医生了解患者的预后,并定制个性化治疗策略.
• 这些发现可能有助于改善膀癌患者的整体结果.