基于机器学习的鼻癌风险预测:一种临床方法

科学领域:

• 在瘤学瘤学.
• 医疗保健中的机器学习
• 生物标志物发现发现

背景情况:

• 早期查和风险评估对于鼻癌 (NPC) 的诊断和治疗至关重要.
• 开发预测模型可以识别NPC的重大风险因素.
• 本研究的重点是利用后勤回归和机器学习 (ML) 来进行NPC风险评估.

研究的目的:

• 开发和评估鼻癌 (NPC) 风险的预测模型.
• 通过逻辑回归和机器学习技术,识别NPC的重大风险因素.
• 在不同的医疗保健环境中评估开发模型的性能和临床实用性.

主要方法:

• 利用后勤回归和9个机器学习 (ML) 模型,包括XGBoost,用于NPC预测.
• 采用LASSO,REFCV和SVMREFCV等特征选择技术来识别关键预测因素.
• 使用AUC,精度,灵敏度和特异性评估模型性能,并对临床实用性进行校准和决策曲线分析.

主要成果:

• 一致确定了五个关键预测因子:NTA1-IgA,VCA-IgA,Rta-IgA,血小板计数和淋巴细胞计数.
• 在内部和外部验证队列 (分别为0.999和0.956) 中,XGBoost模型表现出高AUC值的优异性能.
• 基于已识别的生物标志物,开发了一个概要工具,用于基于已识别的生物标志物进行实时NPC风险预测.

结论:

• 为NPC风险预测,开发了一种基于ML的强大和可解释的方法,集成EBV血清学和血液学标记.
• 该模型具有很高的预测准确性和临床实用性,适用于基于人口的查.
• 这为早期NPC检测和干预计划提供了一个有效的工具.