机器学习算法和基于网络的预后工具,用于不同的骨髓瘤组织学亚型:回顾性队列队列
Abdullah M Alharran1, Muteb N Alotaibi2, Ohood Yahya Alasmari3
1Faculty of Medicine, Arabian Gulf University, Manama, Kingdom of Bahrain.
Annals of medicine and surgery (2012)
|January 7, 2026
概括
机器学习模型对预测骨髓瘤患者的存活率显示出希望. XGBoost在回归方面表现出色,而物流回归在分类方面最好,有助于临床决策.
科学领域:
- 在瘤学瘤学.
- 生物统计学 生物统计学
- 机器学习 机器学习
背景情况:
- 骨髓瘤 (OSC) 是一种具有挑战性的生存预测结果的攻击性骨癌.
- 准确的预后工具对于OSC患者的有效临床管理至关重要.
研究的目的:
- 评估机器学习模型,以预测骨肉瘤患者的生存结果.
- 为了比较OSC生存预测的回归和分类方法.
主要方法:
- 分析了1471名骨髓瘤患者的数据.
- 使用回归模型 (线性回归,LightGBM,XGBoost,随机森林) 进行持续生存预测.
- 利用分类模型 (逻辑回归,决策树,支持矢量机,随机森林) 来预测1年,3年和5年的生存状态.
主要成果:
- XGBoost在回归中表现出卓越的性能,实现了最低的误差指标 (MAE,MSE) 和最高的R平方.
- 后勤回归为1,3和5年生存率分类带来了最高的准确性.
- 支持矢量机在预测长期生存方面存在局限性.
结论:
- 机器学习,特别是XGBoost和后勤回归,为预测骨髓瘤生存提供了显著的潜力.
- 这些模型可以增强骨髓瘤患者的临床决策.
- 未来的研究应该探索额外的变量和先进的技术,以改善长期生存预测.
