从机器学习模型中提取知识来诊断乳腺癌

科学领域:

• 生物医学信息学 生物医学信息学
• 医疗保健中的人工智能
• 在瘤学瘤学.

背景情况:

• 传统的乳腺癌诊断通常依赖于医学成像和人口统计数据.
• 医疗保健中越来越需要可靠的AI,特别是提供可解释性的诊断工具.
• 血清生物标志物为癌症检测提供了替代和补充的数据来源.

研究的目的:

• 应用可解释的机器学习模型用于使用血清生物标志物的乳腺癌诊断.
• 确定关键的预测生物标志物,并了解它们在乳腺癌发病过程中的作用.
• 开发准确和可解释的AI模型,以提升早期乳腺癌检测.

主要方法:

• 评估了几个可解释的分类模型:OneR,JRIP,FURIA,J48,ADTree和随机森林.
• 使用了包含各种血清生物标志物的数据集,包括电解质,金属离子,蛋白质,激素和BMI.
• 根据确定预测因素的准确性和可解释性来评估模型性能.

主要成果:

• 随机森林模型获得了最高的准确性 (99.401%),其他模型也显示出高性能 (98.204%-98.802%).
• 在大多数模型中,催产素始终被确定为一个关键的预测生物标志物.
• 其他重要的生物标志物包括GnRH,β-endorphin,血管压素,铁和孕激素等.

结论:

• 使用血清生物标记物的可解释的机器学习模型显示了准确诊断乳腺癌的巨大潜力.
• 识别像催产素这样的关键生物标志物有助于了解乳腺癌的发病因子,并提供治疗点.
• 这种方法支持改善早期检测,个性化治疗,以及乳腺癌管理方面的进展.