通过使用基于NHANES 2003-2018数据的多重金属暴露来预测前列腺癌的可解释机器学习方法
Zu-Ming You1, Yuan-Sheng Li1, Fan-Shuo Meng1
1Department of Biostatistics, School of Public Health (State Key Laboratory of Multi-organ Injury Prevention and Treatment, and Guangdong Provincial Key Laboratory of Tropical Disease Research), Southern Medical University, Guangzhou 510515, China.
Ecotoxicology and environmental safety
|July 27, 2025
概括
机器学习确定了与前列腺癌 (PCA) 风险相关的重金属. 血液中的,尿中的和显示PCA风险增加,而血液中的显示风险降低.
科学领域:
- 环境健康 环境健康
- 在瘤学瘤学.
- 计算生物学 计算生物学
背景情况:
- 环境污染是前列腺癌 (PCA) 发展的一个重要因素.
- 关于多次重金属暴露与PCA风险之间使用机器学习的关联的研究有限.
研究的目的:
- 开发和评估基于重金属暴露的机器学习模型来预测基于重金属暴露的前列腺癌风险.
- 为了确定与前列腺癌风险相关的特定重金属.
主要方法:
- 利用了8022个样本 (2003-2018年NHANES数据库) 的数据,包括18个血液和尿路重金属/矿物质和14个共变量.
- 评估了八个机器学习模型,其中随机森林 (RF) 显示出卓越的性能.
- 整合了四种可解释的方法来识别关键的风险因素.
主要成果:
- 射频模型实现了72.8%的精度和0.869.9的AUC.
- 发现血 (Pb),尿路 (Cs) 和尿路 (Sb) 与PCA风险的积极关联.
- 血液中的 (Cd) 显示出负相关性;尿液中的Cs和Sb被确定为新型风险因素.
结论:
- 机器学习模型,特别是射频,可以根据重金属暴露有效预测PCA风险.
- 血液Pb,尿液Sb和尿液Cs是PCA风险的重要贡献者,为预防和控制策略提供了潜在的目标.
更多相关视频
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
194
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.9K