构建和验证用于预测皮肤恶性黑色素瘤淋巴结转移的机器学习模型:一项基于人口的大型研究
Ling-Feng Lan1, Yi-Long Kai1, Xiao-Ling Xu1
1Department of Otolaryngology, The First Affiliated Hospital, Zhejiang University School of Medicine, Liangzhu Branch (The First People's Hospital of Yuhang District), Hangzhou, China.
Translational cancer research
|March 19, 2025
概括
一个机器学习模型准确地预测了皮肤恶性黑色素瘤 (CMM) 中的淋巴结转移 (LNM). XGBoost模型将年龄和Breslow厚度确定为关键因素,可以指导手术决策并改善患者的治疗结果.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 计算生物学 计算生物学
背景情况:
- 淋巴结状况对于预测皮肤恶性黑色素瘤 (CMM) 的预后至关重要.
- 精确预测淋巴结转移 (LNM) 对于CMM有效的治疗计划至关重要.
- 机器学习 (ML) 提供了一种有希望的方法来提高LNM预测的准确性.
研究的目的:
- 开发和评估一种机器学习 (ML) 模型,用于预测皮肤恶性黑色素瘤 (CMM) 中的淋巴结转移 (LNM).
- 在CMM中确定与LNM相关的关键临床病理变量.
- 提供一个工具,帮助临床医生在手术决策和辅助疗法选择.
主要方法:
- 利用来自SEER数据库的6196名CMM患者的数据.
- 应用了六个ML算法 (LR,SVM,CNB,XGBoost,RF,kNN) 来预测LNM,使用ADASYN解决数据不平衡问题.
- 使用AP,灵敏度,特异性,准确性,F1得分和SHAP分析来评估模型的性能.
主要成果:
- XGBoost模型表现出卓越的预测性能,平均精度为0.805.
- 年龄和Breslow厚度被确定为CMM中LNM最重要的预测因素.
- 该模型在预测LNM方面实现了高精度,超过了其他评估的算法.
结论:
- 开发的XGBoost模型准确地预测了CMM中的LNM.
- 这种ML工具可以帮助外科医生确定最佳的手术策略和切除程度.
- 该模型的预测可以为辅助治疗决策提供信息,从而有可能改善患者的预后.
