最小的临床预测因素使机器学习能够在菲律宾队列中检测肝细胞癌

科学领域:

• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 机器学习应用 机器学习应用

背景情况:

• 肝细胞癌 (HCC) 的诊断和治疗由于其复杂性而面临挑战,尽管有进展.
• 机器学习 (ML) 对提高HCC诊断准确性和早期检测有希望.
• 在HCC研究中,ML在多样化和代表性不足的人群中的有限应用.

研究的目的:

• 评估七个机器学习算法用于肝细胞癌检测的性能.
• 使用ML识别用于准确检测HCC的关键临床预测因子.
• 评估ML模型在不同人群中的实用性,特别是菲律宾人群.

主要方法:

• 测试了后勤回归,k-最近邻居,支持向量分类器,决策树,随机森林,梯度增强和LightGBM算法.
• 采用过度参数优化的网格搜索和特征选择技术来识别关键预测因素.
• 使用了七个临床预测因素:年龄,白蛋白,性酸酶 (ALP),α-fetoprotein (AFP),des-gamma-carboxy prothrombin (DCP),阿斯巴酸转胺酶和血小板数.

主要成果:

• 随机森林 (RF) 实现了98.9%的准确性,90.5%的灵敏度,99.8%的特异性和0.99.9%的AUC.
• 轻GBM表现出强大的性能,准确率为99.1%,灵敏度为94.9%,特异性为99.5%,AUC为0.99.
• 仅使用七个临床预测指标可以实现有效的HCC检测,RF无论风险因素如何都显示出强度.

结论:

• 基于机器学习的检测模型为HCC检测和查提供了可行的替代方案.
• 使用有限预测因子的简化诊断过程对于资源有限的设置是有利的.
• 这项研究在菲律宾人群中提供了对HCC的关键见解,突出了ML提高诊断效率和患者结果的潜力.