在结直肠癌预测和诊断中的机器学习:对模型性能的系统审查
Mohammad-Ali Abuzuhri1, Shahenaz Najjar2, Mohammed Awad3
1Faculty of Nursing, Arab American University, Palestine; RISE-Health, Department of Community Medicine, Information and Health Decision Sciences, Faculty of Medicine, University of Porto, Portugal.
International journal of medical informatics
|November 1, 2025
概括
机器学习模型对结直肠癌 (CRC) 预测具有很高的准确性. 集体学习,神经网络和支持向量机器表现最好,但临床使用需要标准化验证.
科学领域:
- 计算生物学和生物信息学
- 医学信息学和人工智能
- 瘤学和癌症研究.
背景情况:
- 结肠直肠癌 (CRC) 是一个重大的全球健康挑战,需要在早期检测方面取得进展.
- 机器学习 (ML) 模型为CRC预测提供了有希望的工具,但它们的临床实用性需要严格的评估.
研究的目的:
- 系统地审查和评估ML模型在预测和诊断CRC中的性能.
- 识别流行的ML模型,评估其诊断准确性,并分析模型参数对性能的影响.
- 专注于2019年至2024年间发表的研究,以捕捉最近的进展.
主要方法:
- 在SCOPUS,PubMed和Web of Science数据库中进行了系统的文献搜索.
- 研究是按照PRISMA指南进行选择和审查的,采用独立的数据提取和偏差风险评估.
- 关键数据点包括研究特征,ML模型规格,验证技术和性能指标.
主要成果:
- 三十项研究符合纳入标准,随机森林是最常被评估的ML模型.
- 集体学习 (EML),人工神经网络 (ANN/DNN) 和支持矢量机器 (SVM) 在各种指标上始终实现了高性能.
- 主要使用的是分子数据集,各种特征选择方法对模型结果产生了重大影响.
结论:
- ML模型,特别是EML,ANN/DNN和SVM,对CRC预测和诊断具有很强的诊断潜力.
- 外部和前性验证对于确认这些模型对临床决策和患者结果的影响至关重要.
- 在标准化验证和一致的绩效报告方面存在重大研究差距,阻碍了临床采用和医疗保健政策整合.
