使用基于鱼优化的XGBoost算法预测差异化甲状腺癌的复发情况.
Keshika Shrestha1, H M Jabed Omur Rifat1, Uzzal Biswas1
1Electronics and Communication Engineering Discipline, Khulna University, Khulna 9208, Bangladesh.
Diagnostics (Basel, Switzerland)
|July 12, 2025
概括
这项研究引入了一种新的机器学习方法,可以准确预测差异化甲状腺癌 (DTC) 复发. 鱼优化算法实现了99%的准确性,有助于早期检测和改善患者的治疗结果.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 计算生物学 计算生物学
背景情况:
- 差异化甲状腺癌 (DTC),包括乳头和卵泡类型,是最常见的甲状腺恶性瘤.
- 即使在成功治疗后,DTC的复发也可能发生,这对早期检测构成了重大临床挑战.
- 目前的医疗保健系统在及时识别DTC复发方面面临困难,这凸显了对先进预测工具的需求.
研究的目的:
- 开发和验证一种新的机器学习方法,用于预测差异化甲状腺癌 (DTC) 的复发.
- 通过使用超参数优化技术来提高预测准确性.
- 解决早期和准确的DTC复发检测的临床挑战.
主要方法:
- 使用鱼优化算法 (WOA) 和对极端梯度增强 (XGBoost) 模型的超参数优化进行修改的版本.
- 在修改后的WOA中,纳入了一张针对人口初始化和惯性重量的逐块线性混乱地图.
- 将优化的XGBoost模型应用于来自UCI机器学习库的数据集,包括383个样本和16个特征,以预测DTC复发.
主要成果:
- 对WOA优化的XGBoost模型实现了99%的预测准确度.
- 修改后的WOA优化的XGBoost模型显示预测准确率为97%.
- 这两种模型都在基于临床和人口统计数据的DTC复发预测方面表现强.
结论:
- 提出的机器学习方法,特别是WOA优化,显著提高了DTC复发预测的准确性.
- 该研究验证了元启发式算法的有效性,用于优化临床应用中的机器学习模型.
- 这种方法为早期和准确识别DTC复发提供了一个有希望的工具,有可能改善患者管理和结果.
更多相关视频
06:46Competing-Risk Nomogram for Predicting Cancer-Specific Survival in Multiple Primary Colorectal Cancer Patients after Surgery
Published on: September 27, 2024
380
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
200
