早期结直肠癌检测的增强非侵入性机器学习方法:约旦队列中的预测建模和验证
Soha Kanaan1, Ahmad Altamimi2, Hazem Qattous2
1Princess Sumaya University for Technology,(PSUT), Amman, Jordan.
Computers in biology and medicine
|April 18, 2025
概括
机器学习模型可以通过使用非侵入性数据改善早期结肠直肠癌 (CRC) 检测. 随机森林算法显示出高精度,为临床诊断提供了一个有前途的工具.
科学领域:
- 在瘤学瘤学.
- 生物医学信息学 生物医学信息学
- 机器学习 机器学习
背景情况:
- 大肠直肠癌 (CRC) 是全球领先的癌症,晚期检测导致不良结果.
- 早期检测对于改善治疗成功和减少患者负担至关重要.
- 目前的诊断方法可能是侵入性的,需要更少的侵入性替代品.
研究的目的:
- 在非侵入性患者数据上使用机器学习 (ML) 提升早期结直肠癌检测.
- 开发预测模型,减少对结肠镜等侵袭性手术的依赖.
- 创建一个广泛适用的诊断工具,使用可访问的,非侵入性的功能.
主要方法:
- 分析了400名患者的回顾性数据集,包括人口统计,成像和实验室数据.
- 训练和评估了多个ML算法 (KNN,SVM,RF,DT,NB).
- 用原始数据集和公开数据集来评估模型性能,以实现概括性,实验重点是特征选择和处理缺失值.
主要成果:
- 随机森林 (RF) 算法实现了最高的准确性,在内部验证中达到96.5%.
- 公共数据集的RF性能为66.0% (第一阶段) 和68.9% (第二阶段).
- 在所有测试的场景中,K-Nearest Neighbors (KNN) 显示了最低的准确性.
结论:
- 机器学习,特别是射频模型,通过非侵入性方法对早期CRC检测是有效的.
- 开发的RF模型显示了改善癌症诊断的临床应用潜力.
- 这项研究有助于在当地了解CRC检测,并强调ML在个性化癌症护理中的作用.
