彻底改变肺癌检测:用于早期诊断的高精度机器学习框架

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 计算生物学 计算生物学

背景情况:

• 肺癌是全球癌症相关死亡的主要原因,在2024年有182万例死亡报告.
• 肺癌的早期检测对于提高患者的生存率和及时实施有效的治疗策略至关重要.
• 由于疾病负担很高,因此需要先进的方法来准确和高效地预测肺癌.

研究的目的:

• 进行关于肺癌预测方法的系统文献审查.
• 开发和验证用于早期肺癌检测的高精度机器学习框架.
• 研究人工智能 (AI) 和机器学习 (ML) 在识别肺癌模式和将其与患者症状区分开来方面的有效性.

主要方法:

• 使用托尔盖特方法和质量评估标准进行了系统的文献审查.
• 使用了机器学习技术,包括特征选择 (SelectKBest) 和类失衡处理 (SMOTE).
• 开发了一种包含随机森林,支持矢量机和逻辑回归与交叉验证的投票组合模型.

主要成果:

• 拟议的机器学习框架实现了高预测准确性:第一个数据集的99%,第二个数据集的92.5%.
• 该研究通过ML分析确定了通过ML分析区分肺癌和患者症状的关键特征.
• 系统性审查解决了关于ML/AI在肺癌预测中的四个研究问题.

结论:

• 开发的机器学习框架显示了准确和早期肺癌预测的巨大潜力.
• 人工智能和机器学习方法在超越肺癌诊断传统方法方面表现有希望.
• 这项研究强调了先进的计算方法在改善肺癌结果方面的重要性.