机器学习模型利用氧化应激生物标志物进行乳腺癌预测:在哨兵淋巴结转移检测中的有效性和局限性

科学领域:

• 生物医学工程 生物医学工程
• 机器学习在瘤学中的应用
• 氧化应激研究研究 氧化应激研究

背景情况:

• 乳腺癌和哨兵淋巴结 (SLN) 转移构成了重大的公共卫生挑战.
• 准确的分类和转移检测对于患者的治疗结果至关重要.
• 氧化应激生物标志物为新的诊断方法提供了潜力.

研究的目的:

• 应用一种随机森林机器学习模型,使用氧化应激生物标志物进行乳腺癌分类.
• 评估该模型在检测哨兵淋巴结 (SLN) 转移方面的有效性.
• 评估机器学习和生物标志物的潜力,以改善乳腺癌诊断.

主要方法:

• 使用一个随机森林模型与留下一个-out验证.
• 采用氧化应激生物标志物,包括脂质过氧化,抗氧化能力,超氧化物脱氧化酶,触酶和谷氨过氧化酶.
• 在转移数据集中应用SMOTE技术进行类平衡.

主要成果:

• 在分类乳腺癌状况方面取得了高精度 (0.996).
• 在检测SLN转移方面表现更加有限 (精度=0.854).
• 结果来自回顾性队列,需要前性验证以与乳房影像查进行比较.

结论:

• 随机森林模型在区分乳腺癌和健康个体方面表现强.
• 使用这种模型准确预测转移性疾病仍然存在重大挑战.
• 未来的研究应该包含额外的生物标志物,纵向数据和可解释的AI,以提高转移预测和精准医学.