机器学习用于分类肺癌,使用常规的临床和实验室数据.
Chang Liu1, YuLin Liao1, Dongsheng Wang1
1Department of Clinical Laboratory, Sichuan Clinical Research Center for Cancer, Sichuan Cancer Hospital & Institute, Sichuan Cancer Center, University of Electronic Science and Technology of China, Chengdu, China.
Annals of surgical oncology
|December 3, 2025
概括
这项研究开发了一种非侵入性机器学习模型,用于使用常规临床数据进行肺癌分类. 该模型准确识别肺癌亚型,帮助那些无法进行活检的患者做出治疗决策.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 精确的肺癌病理分类对于治疗至关重要.
- 对所有患者来说,侵入性活检是不可行的.
- 肺癌诊断需要使用非侵入性方法.
研究的目的:
- 开发一种用于非侵入性肺癌分类的机器学习模型.
- 为此目的利用常规的临床和实验室数据.
- 创建一个用于临床应用的工具.
主要方法:
- 对1122名肺癌患者的回顾性分析.
- 使用LASSO和Boruta算法进行特征选择.
- 训练和优化后勤回归,XGBoost,CatBoost和RandomForest模型的使用.
- 使用AUC,精度和F1分数进行性能评估.
主要成果:
- 随机森林模型显示出卓越的性能 (AUC 0.999,准确度 0.984,F1在训练集中的得分为 1.000).
- 性别和瘤标志物被确定为重要的预测因素.
- 随机森林模型在测试组中实现了0.969 (微) 和0.940 (宏) 的AUC.
- 为临床部署开发了一个基于网络的计算器.
结论:
- 为肺癌分类开发了一种强大的非侵入性机器学习模型.
- 该模型解决了活检不合格患者的临床需求.
- 为了更广泛的通用性,建议进行进一步的多中心验证.
更多相关视频
06:22Machine Learning-Based Cough Tone Classification: Diagnostic Exploration of Chronic Obstructive Pulmonary Disease and Respiratory Tract Infections
Published on: September 19, 2025
406
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.6K
