为差异化甲状腺癌复发预测优化无监督特征工程和分类管道
Emmanuel Onah1, Uche Jude Eze2, Abdullahi Salahudeen Abdulraheem3
1Department of Pharmaceutical and Medicinal Chemistry, Faculty of Pharmaceutical Sciences, University of Nigeria, Nsukka, Enugu State, 410001, Nigeria. emmanuel.onah.187260@unn.edu.ng.
BMC medical informatics and decision making
|May 13, 2025
概括
这项研究使用机器学习和特征工程改进了差异化甲状腺癌 (DTC) 复发预测. 基于PCA的后勤回归模型显示出用于临床决策支持的卓越性能和通用性.
科学领域:
- 内分泌学 在内分泌学.
- 机器学习 机器学习
- 生物信息学是一种生物信息学.
背景情况:
- 差异化甲状腺癌 (DTC) 的发病率和复发率正在上升,因此需要准确的预测来有效管理.
- 目前的预测方法需要改进,以有效指导治疗后策略.
- 使用UCI DTC数据集来探索先进的预测建模.
研究的目的:
- 改进特征工程技术,以更好地预测DTC复发.
- 评估各种机器学习模型组合,以提高预测性能.
- 在个性化DTC管理中确定临床决策支持的最佳模型.
主要方法:
- 应用了无监督的尺寸缩小 (PCA,t-SVD) 和聚类来提高特征质量.
- 多种分类模型 (LR,SVM,RF,KNN,FNN,GB) 与工程特征集成.
- 模型性能经过严格评估,使用引导,交叉验证和子组分析,并使用SHAP进行解释性.
主要成果:
- 基于主要组件分析 (PCA) 的物流回归 (LR) 管道在测试组件中取得了最高的性能 (平衡精度:0.95,AUC:0.99).
- 这种PCA-LR模型在交叉验证 (平衡精度:0.86,AUC:0.97) 和跨子组的强烈概括性.
- 其他SVM和FNN等模型也表现出强的性能,而渐变增强则产生较低的结果.
结论:
- 尺寸缩小技术 (PCA,t-SVD) 显著提高了几个机器学习分类器的DTC的性能.
- 基于PCA的LR管道表现出卓越的概括性,表明其对临床决策支持工具的潜力.
- 这种方法支持针对差异化甲状腺癌的个性化管理策略.
关键词:
引导绑定 (Bootstrapping) 是一个非常简单的方法.对交叉验证进行验证.不同化甲状腺癌 (DTC)缩小尺寸的缩小方式后勤回归的逻辑回归机器学习是机器学习.在PCA中,PCA是PCA.预测复发的预测.在SHAP分析中,我们分析了SHAP.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
8.2K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.6K
