基于病理学特征和动态多队列粒子队列优化支持向量机器,为鼻癌患者构建一个寡度转移性预测模型
Yunfei Li1, Dongni Zhang1, Yiren Wang2,3
1Department of Oncology, The Affiliated Hospital of Southwest Medical University, Luzhou, China.
Frontiers in oncology
|July 4, 2025
概括
这项研究开发了一个先进的AI模型,使用病理学和动态多队列粒子队列优化支持矢量机 (DMS-PSO-SVM) 来预测鼻癌 (NPC) 寡度转移. DMS-PSO-SVM模型在NPC患者早期风险分层方面表现出卓越的准确性和临床实用性.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 鼻癌 (NPC) 带来了重大治疗挑战,治疗后的寡聚转移会影响患者的治疗结果.
- 精确预测寡聚转移对于NPC的个性化治疗策略至关重要.
研究的目的:
- 开发和验证一个风险预测模型,用于NPC中治疗后的寡度转移.
- 将病理学功能与改进的支持矢量机 (SVM) 算法集成,以提高预测准确度.
主要方法:
- 对462名NPC患者的回顾性分析.
- 病态的特点是使用CellProfiler从H&E染色的整个幻灯片图像中提取出来.
- 使用统计和机器学习方法进行特征选择.
- 三种模型的开发和比较:DMS-PSO-SVM,PSO-SVM和标准的SVM.
主要成果:
- 确定了六个关键的病理特征.
- 在验证组中,DMS-PSO-SVM模型以AUC为0.866实现了卓越的性能,超过了PSO-SVM (0.721) 和标准SVM (0.718).
- 与其他模型相比,DMS-PSO-SVM表现出良好的校准和更高的临床实用性.
结论:
- 整合病理学特征与DMS-PSO优化显著增强NPC寡度转移的预测.
- 开发的模型显示了高的区分能力,校准和临床实用性.
- 这种基于机器学习的方法有助于早期识别高风险的NPC患者以进行个性化治疗.
