使用AdaBoost机器学习模型预测宫癌患者的淋巴结转移:风险因素分析
Nan Li1, Erxuan Peng1, Fenghua Liu1
1Department of Gynecology, The Affiliated Cancer Hospital of Zhengzhou University and Henan Cancer Hospital Zhengzhou 450008, Henan, China.
American journal of cancer research
|April 14, 2025
概括
适应性增强 (AdaBoost) 有效地预测了宫癌患者的淋巴结转移. 这种机器学习方法超越了传统方法,有助于个性化治疗策略.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 子宫癌 (CC) 诊断通常依赖于侵入性手术.
- 精确预测淋巴结转移 (LNM) 对于有效的CC治疗计划至关重要.
研究的目的:
- 开发和评估机器学习模型,用于预测CC患者的LNM.
- 将自适应增强 (AdaBoost) 算法的性能与其他模型和统计方法进行比较.
主要方法:
- 机器学习模型的开发和验证,包括AdaBoost,随机森林,支持矢量机 (SVM) 和最小绝对收缩和选择操作员 (LASSO) 回归.
- 多变量物流回归分析以确定LNM的独立风险因素.
主要成果:
- 与其他模型相比,AdaBoost在预测LNM方面表现优越,在曲线下的面积 (AUC) 为0.882 (训练) 和0.857 (验证).
- 确定的主要独立风险因素包括FIGO分期,状细胞癌抗原 (SCC-Ag),白细胞计数 (WBC),中性粒细胞计数 (NEUT),血红蛋白 (HGB) 和前白蛋白 (PAB) 水平.
- 在验证过程中,AdaBoost的预测准确度与XGBoost (P=0.18) 相当.
结论:
- AdaBoost模型提供了一个非侵入性,高性能工具,用于在宫癌中进行手术前的LNM预测.
- 确定的临床和实验室标志物为瘤进展提供了宝贵的见解,并有助于临床决策.
- 这种方法有可能通过减少侵入性手术的需要来完善个性化治疗策略并改善患者的治疗结果.
