一个多约束表示学习模型,用于识别缺少实验室指标的卵巢癌
Zihan Lu1, Fangjun Huang1,2, Guangyao Cai3
1School of Biomedical Engineering, Southern Medical University, Guangzhou 510515, China.
概括
这项研究引入了一种新的多约束表示学习模型,即使缺乏实验室数据,也能准确识别卵巢癌. 该模型在关键的诊断指标上优于传统的插值方法.
科学领域:
- 生物医学信息学 生物医学信息学
- 医疗保健中的机器学习
- 瘤学 诊断 诊断 瘤学
背景情况:
- 卵巢癌的诊断往往因患者数据中缺乏实验室指标而受到挑战.
- 准确的鉴定对于及时有效的治疗策略至关重要.
研究的目的:
- 开发和评估用于检测卵巢癌的多约束表示学习分类模型.
- 为应对诊断数据中缺少实验室指标的挑战.
主要方法:
- 利用了来自卵巢癌患者和缺乏实验室指标的对照组的表格数据.
- 采用一种包含歧视性学习,相互信息和特征投影的代表性学习模型.
- 评估模型性能,使用精度,ROC曲线下的面积 (AUC),通过消去和交叉验证实验来评估灵敏度和特异性.
主要成果:
- 废弃实验证实了模型约束的兼容性和稳定性.
- 交叉验证显示出卓越的性能:AUC (0.915),精度 (0.888),灵敏度 (0.774) 和特异性 (0.910).
- 该模型的AUC和灵敏度超过了其他缺失数据插值方法的AUC和灵敏度.
结论:
- 拟议的多约束表示学习模型表现出优秀的卵巢癌识别区分能力.
- 与现有方法相比,它在处理缺少实验室指标时提供了更好的性能.
