基于森林的随机模型在胃肠道恶性瘤的预后中的应用:系统性审查
Zhina Mohamadi1, Ahmad Shafizadeh2, Yasaman Aliyan3
1Faculty of Medicine, Kermanshah University of Medical Sciences, Kermanshah, Iran.
Frontiers in artificial intelligence
|August 4, 2025
概括
随机森林 (RF) 模型准确预测胃肠道 (GI) 癌症的预后,优于传统方法. 这些机器学习模型增强了临床决策和个性化治疗,以改善患者的生存率和生活质量.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 机器学习 机器学习
背景情况:
- 胃肠道 (GI) 恶性瘤对全球健康构成重大负担,导致三分之一的癌症死亡和超过25%的癌症诊断.
- 目前的治疗方法有局限性,需要改善胃肠道癌症预后的预测模型.
- 随机森林 (RF) 是一种机器学习算法,利用决策树进行数据预测.
研究的目的:
- 系统地评估射频模型在预测胃肠道恶性瘤的预后方面的预测性能.
- 将射频模型的准确性与常规的胃肠道癌症预后方法进行比较.
主要方法:
- 在PubMed,Scopus,Google Scholar和Web of Science进行了系统的文献搜索,截至2024年5月28日,遵守PRISMA指南.
- 包括使用射频模型预测食道,胃和结直肠癌的预后的研究.
- 使用预后研究质量 (QUIPS) 工具评估研究质量.
主要成果:
- 在1846个初始记录中,有86项研究符合纳入标准.
- 射频模型在预测胃肠道癌症预后方面表现出高准确度和可靠性,包括反应,复发,存活率和转移风险,特别是在整合临床,遗传和病理数据时.
- 射频模型实现了超过80%的生存率的预测准确度,超过了传统的预测技术.
结论:
- 与传统方法相比,射频模型在肠道癌症管理中提供了更高的准确性和更强大的临床决策能力.
- 由射频模型预测得出的个性化治疗策略可以显著改善患者的生存率和生活质量.
- 集成射频模型有助于及时做出临床决策,并为肠道癌症患者量身定制治疗干预措施.
