使用胆结石数据确定恶性瘤风险因素,并比较机器学习方法来预测恶性瘤
Sirin Cetin1, Ayse Ulgen2,3, Ozge Pasin4
1Department of Biostatistics, Faculty of Medicine, Amasya University, Amasya 05100, Türkiye.
Journal of clinical medicine
|September 13, 2025
概括
胆结石疾病与恶性瘤风险有关. 先进的机器学习模型,特别是 Tabular Prior-data Fitted Network (TabPFN),有效地识别了恶性瘤的关键预测因素,如年龄,BMI和HRT史.
科学领域:
- 消化系统疾病 消化系统疾病
- 在瘤学瘤学.
- 计算生物学是一种计算生物学.
背景情况:
- 胆结石病是一种常见的疾病,具有多因素的风险因素.
- 胆结石的一些危险因素也可能增加癌症风险.
- 了解这些联系对于早期发现和预防至关重要.
研究的目的:
- 为了调查胆结石病与恶性瘤之间的关联.
- 为此分析应用先进的机器学习 (ML) 算法.
- 为了确定胆结石患者恶性瘤的显著预测因素.
主要方法:
- 对大约1000名患者数据集的分析.
- 使用了六个ML算法:随机森林,SVM,MLP,MLP_PT,天真贝叶斯和TabPFN.
- 使用AUC,精度,灵敏度和特异性等指标评估性能.
主要成果:
- 年龄,体重指数 (BMI) 和荷尔蒙替代疗法 (HRT) 史被确定为恶性瘤的关键预测因素.
- 表格式预先数据装配网络 (TabPFN) 模型表现出卓越的性能.
- 在预测恶性瘤方面,TabPFN实现了高准确性和有效性.
结论:
- 尖端的ML方法可以揭示复杂的临床数据关系.
- TabPFN在与胆结石相关的恶性瘤的预测建模方面显示出显著的前景.
- 研究结果为个性化患者管理和风险评估提供了洞察力.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
7.4K
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
493
