使用机器学习方法预测卵巢癌患者的早期诊断,使用Boruta和高级特征选择
1Department of Biostatistics, Ankara Medipol University, Ankara 06570, Turkey.
Life (Basel, Switzerland)
|April 26, 2025
概括
这项研究评估了机器学习算法和用于卵巢癌诊断的特征选择. 随机森林和CatBoost,以及Boruta和递归特征消除 (RFE),实现了高精度,提高了诊断精度.
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:
- 卵巢癌是主要的妇科恶性瘤,急需早期检测以提高生存率.
- 准确的诊断模型对于及时干预和更好的患者结果至关重要.
- 当前的诊断方法可以从先进的计算方法中获益,以提高精度.
研究的目的:
- 评估用于卵巢癌建模的机器学习算法.
- 评估特征提取和选择技术,以优化诊断准确度.
- 为精确的卵巢癌诊断确定表现最好的算法-特征选择组合.
主要方法:
- 对患有和没有卵巢癌的患者的数据集进行了策划,包括50个特征.
- 评估了八种机器学习算法 (随机森林,XGBoost,CatBoost,决策树,K-最近邻居,天真贝斯,梯度提升,支持向量机器).
- 使用了四种特征选择技术 (Boruta,主要组件分析 (PCA),递归特征消除 (RFE),相互信息 (MI)) 并评估了性能指标.
主要成果:
- 机器学习模型在功能减少的情况下实现了高性能.
- 随机森林和CatBoost表现出优异的性能,其AUC分别为0.94%和0.95%.
- 与其他技术相比,Boruta和RFE特征选择方法始终产生更高的AUC和准确度得分.
结论:
- 选择适当的机器学习算法和特征选择方法对于准确的卵巢癌诊断至关重要.
- 博鲁塔和RFE是非常有效的特征选择技术,显示出高精度.
- 将功能设置减少到最相关的功能会提高诊断精度,可能改善患者的结果并减少不必要的医学测试.
