ColoLDB:基于机器学习的结直肠癌预测模型,使用常规实验室参数进行预测
Xing Zhang1, Xuedong Tong1, Jiangtao Mou1
1Department of Laboratory Medicine, The Third Affiliated Hospital of Chongqing Medical University, Chongqing, China.
Journal of gastrointestinal oncology
|March 12, 2026
概括
这项研究开发了一种新的结直肠癌 (CRC) 查工具,使用八种实验室标记物. 与现有方法相比,用随机森林构建的ColoLDB模型在检测CRC方面显示出更高的准确性.
科学领域:
- 在瘤学瘤学.
- 生物标志物 生物标志物
- 医疗保健中的机器学习
背景情况:
- 结肠直肠癌 (CRC) 是一个普遍存在的全球健康问题.
- 目前的查方法,如结肠镜检查是侵入性的,可以错过早期瘤.
- 需要更简单,更容易获得的CRC早期检测方法.
研究的目的:
- 为早期检测结直肠癌 (CRC) 开发一种非侵入性查方法.
- 确定可表明CRC风险的关键实验室参数.
- 为帮助临床医生在CRC诊断中创建一个预测模型.
主要方法:
- 使用住院号码进行数据识别,并排除无效记录.
- 收集了各种实验室测试数据,包括瘤标志物和生化参数.
- 应用机器学习模型 (LightGBM,LR,RF,XGBoost) 和SHAP用于解释.
主要成果:
- 确定了八个关键的实验室参数:SG,CA19-9,CEA,年龄,ALB,CYFRA21-1,HDL-C和CA72-4.4
- 随机森林 (RF) 模型实现了0.863的AUC,证明了高诊断性能.
- 开发的ColoLDB模型表现优于仅使用CEA和CA19-9的诊断模型.
结论:
- 八个实验室指标与CRC风险有关.
- 基于射频的ColoLDB模型是预测CRC发生的有效工具.
- 这种新的方法提高了诊断效率,并显示了CRC查的前景.
更多相关视频
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
842
07:35Evaluation of Colorectal Cancer Risk and Prevalence by Stool DNA Integrity Detection
Published on: June 8, 2020
7.5K
