基于机器学习的早期喉癌预测模型的构建

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 早期诊断喉癌对于有效治疗至关重要.
• 机器学习 (ML) 与窄带成像 (NBI) 喉腔镜相结合,为早期检测提供了一种新的方法.
• 这项研究调查了ML和NBI在诊断早期喉癌方面的临床实用性.

研究的目的:

• 评估ML与NBI结合的临床适用性,用于早期诊断喉癌.
• 确定预测性临床和喉腔镜特征,用于早期的喉癌.
• 使用NBI内镜图像开发和比较基于ML的预测模型.

主要方法:

• 一项回顾性研究包括200名患有喉质量的患者.
• 临床特征和病理结果使用奇方位和逻辑回归来分析.
• 随机森林 (RF),支持向量机 (SVM) 和决策树 (DT) 模型是使用NBI图像开发的.

主要成果:

• 与SVM和DT相比,随机森林 (RF) 模型表现出更高的预测准确性.
• 射频模型实现了0.96的精度,0.90的精度,1.00的回忆,0.95的F1得分和0.97.97的AUC.
• 通过对NBI图像的ML分析确定了喉癌的关键风险因素.

结论:

• 使用射频算法开发了一种早期喉癌的高度准确的预测模型.
• 开发的RF模型显著优于其他ML方法,用于早期发现喉癌.
• 这种ML-NBI方法有望改善早期诊断和患者的治疗结果.