基于XGBoost的诺米图用于预测子宫内膜癌中淋巴结转移的发生
Xiaoting Lin1, Fumin Gao2, Haijiao Lin3
1Department of Reproductive Medicine, The First Affiliated Hospital, Jinan University Guangzhou 510000, Guangdong, China.
American journal of cancer research
|January 13, 2025
概括
机器学习模型准确地预测淋巴结转移 (LNM) 风险在子宫内膜癌 (EC) 患者. XGBoost模型为手术决策和个性化治疗计划提供了有价值的临床支持.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
背景情况:
- 子宫内膜癌 (EC) 构成了重大的健康挑战,淋巴结转移 (LNM) 是一个关键的预后因素.
- 准确识别患有LNM高风险的EC患者对于有效的临床决策和治疗规划至关重要.
研究的目的:
- 开发和优化机器学习模型,用于预测EC患者的LNM风险.
- 提高识别高风险LNM患者的准确性,以改善临床管理.
- 在欧盟,为手术决策和个性化治疗策略提供数据驱动的支持.
主要方法:
- 541个EC病例的回顾性分析,具有不同的临床和病理变量.
- 利用多变量物流回归来确定LNM的独立风险因素.
- 应用机器学习算法,包括LASSO,XGBoost,RandomForest和SVM用于特征选择和模型构建.
主要成果:
- XGBoost模型表现出卓越的性能,AUC值为0.876 (训练) 和0.832 (验证).
- 校准曲线分析证实了该模型在各种风险级别的一致性和适用性.
- 决策曲线分析表明XGBoost模型具有显著的临床实用性和净益处.
结论:
- 机器学习模型,特别是XGBoost,使用临床和病理数据有效预测EC患者的LNM风险.
- 开发的模型为临床医生在手术决策和个性化治疗规划方面提供了宝贵的见解.
- 这种方法有可能通过更精确的风险分层和量身定制的干预措施来改善患者的治疗结果.
