基于临床数据的机器学习模型对乳腺癌风险的分类进行比较
Haniyeh Rafiepoor1, Alireza Ghorbankhanloo1, Kazem Zendehdel1
1Cancer Biology Research Center, Cancer Institute, Tehran University of Medical Sciences, Tehran, Iran.
人工智能 (AI) 模型与传统的盖尔模型相比,没有显著改善乳腺癌 (BC) 风险预测. 通过基因和图像数据来增强模型是未来BC风险评估准确性的关键.
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:
- 乳腺癌 (BC) 是一个重大的全球健康挑战,特别是在发展中国家.
- 传统的风险评估模型,如盖尔模型,由于线性假设而存在局限性.
- 人工智能 (AI) 的进步为复杂的医疗风险预测提供了新的方法.
研究的目的:
- 将基于人工智能的模型与传统的盖尔模型进行乳腺癌风险评估.
- 在人口数据集中评估AI模型的预测性能.
- 分析不同风险预测模型的准确性,敏感性和精度.
主要方法:
- 利用了942名新诊断乳腺癌患者和975名健康对照的数据集.
- 应用了来自机器学习的十种不同的分类算法.
- 评估和比较AI算法的准确性,灵敏度,精度和功能重要性.
主要成果:
- 仅靠人工智能算法,与盖尔模型相比,乳腺癌风险可预测性没有显著改善.
- 在各种AI算法中,变量重要性差异很大.
- 了解特征的重要性和相互作用对于提高AI模型准确性至关重要.
结论:
- 纳入特定的风险因素,如遗传和图像相关的变量,对于增强乳腺癌风险预测模型至关重要.
- 解决具有限制特征的建模局限性对于乳腺癌风险评估的未来研究至关重要.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
06:46Competing-Risk Nomogram for Predicting Cancer-Specific Survival in Multiple Primary Colorectal Cancer Patients after Surgery
Published on: September 27, 2024
相关概念视频
Cancer Survival Analysis
Comparing the Survival Analysis of Two or More Groups
Hazard Ratio
For example, in a clinical trial...
Receiver Operating Characteristic Plot
Mouse Models of Cancer Study
The development of transgenic, knockout, and knock-in mice has led to an exponential increase in their use as model organisms in research,...
