基于机器学习的远程转移风险的预测在乳腺侵袭性导管癌的乳腺癌
Jingru Dong1, Ruijiao Lei1, Feiyang Ma1
1Shihezi University Medical College School of Medical College, Shihezi University, Shihezi, Xinjiang, China.
PloS one
|February 26, 2025
概括
使用机器学习的新型非侵入性系统准确预测乳腺癌 (BC) 转移风险. 这种工具有助于早期检测侵入性导管癌 (IDC) 的传播,改善患者的预后和生存率.
科学领域:
- 在瘤学瘤学.
- 计算生物学 计算生物学
- 医疗信息学 医疗信息学
背景情况:
- 转移导致超过90%的乳腺癌 (BC) 死亡.
- 侵入性导管癌 (IDC) 是最常见的BC类型,容易发生远程转移.
- 早期发现IDC转移对于患者的预后和生活质量至关重要.
研究的目的:
- 开发一种非侵入性乳腺癌分类系统,用于检测癌症转移.
- 构建侵入性导管癌 (IDC) 血源转移的风险预测模型.
- 加强早期诊断,提高BC患者的生存率.
主要方法:
- 在Anaconda-Jupyter笔记本中使用Python编程模块进行文本挖掘,数据处理和机器学习 (ML).
- 开发了使用随机森林,XGBoost,物流回归和支持矢量机 (SVM) 算法的风险预测模型.
- 创建了一个混合模型,使用一个结合四个基本算法的投票机制.
主要成果:
- 混合投票模型表现出优异的预测性能.
- 关键性能指标包括准确度 (0.867),精度 (0.929),回忆 (0.805),F1得分 (0.856) 和AUC (0.94).
- 开发的模型为IDC转移提供了稳定可靠的风险评估.
结论:
- 混合ML模型为医生在评估IDC转移风险时提供了有价值的工具.
- 这种系统可以提高诊断效率,并可能增加患者的生存机会.
- 非侵入性风险预测是管理乳腺癌转移的一个有希望的方法.
