集成堆叠机器学习模型用于小细胞肺癌预测,使用代谢学分析
Md Shaheenur Islam Sumon1, Marwan Malluhi2, Noushin Anan1
1Department of Electrical Engineering, Qatar University, Doha 2713, Qatar.
Cancers
|January 8, 2025
概括
一个新的机器学习模型使用代谢学数据准确区分小细胞肺癌 (SCLC) 和非小细胞肺癌 (NSCLC). 这种方法为早期肺癌检测提供了一种有前途的非侵入性方法.
科学领域:
- 在瘤学瘤学.
- 计算生物学 计算生物学
- 生物化学 生化学
背景情况:
- 小细胞肺癌 (SCLC) 具有很高的攻击性,存活率很低.
- 目前对SCLC和NSCLC的诊断方法是侵入性的和有限的.
- 早期检测至关重要,但由于目前的诊断局限性而具有挑战性.
研究的目的:
- 开发一种新的机器学习方法来分类SCLC和NSCLC.
- 为了利用代谢学数据进行非侵入性肺癌亚型检测.
- 为了比较堆叠组合模型与传统方法的性能.
主要方法:
- 开发了一个基于堆叠的集体机器学习模型.
- 分析了来自191例SCLC,173例NSCLC和97例健康对照的新陈代谢数据.
- 特征选择确定了重要的代谢物,正离子更相关.
主要成果:
- 多类模型实现了85.03%的准确性和92.47AUC (SVM分类器).
- 二元分类 (SCLC与NSCLC) 模型的准确度达到88.19%,AUC (额外树木分类器) 达到92.65.
- 在SHAP分析中,酸,DL-乳酸和L-氨酸被确定为关键的预测代谢物.
结论:
- 堆叠组合有效地通过结合多个分类器来提高预测性能.
- 该模型展示了SCLC和NSCLC亚型的非侵入性早期检测的潜力.
- 这种方法为传统的侵入性活检技术提供了可行的替代方案.
