目的构建基于FIRE动态集成选择(frienemy indecision region dynamic ensemble selection,FIRE-DES)的弥漫大B细胞淋巴瘤(diffuse large B-cell lymphoma,DLBCL)患者治疗达到完全缓解后两年内复发情况的预测模型,为患者的治疗提供决策...
详细信息
目的构建基于FIRE动态集成选择(frienemy indecision region dynamic ensemble selection,FIRE-DES)的弥漫大B细胞淋巴瘤(diffuse large B-cell lymphoma,DLBCL)患者治疗达到完全缓解后两年内复发情况的预测模型,为患者的治疗提供决策依据。方法收集山西省某三甲医院2010年1月至2020年1月经治疗后达到完全缓解的498名患者信息,构建基于四种常见类别不平衡处理方法的FIRE-DES复发预测模型,并与传统的五种单一分类器与两种集成分类器进行比较。结果四种类别不平衡算法中SMOTE-ENN(synthetic minority oversampling technique and edited nearest neighbor)算法取得了最优分类性能,在此基础上采用DESP(dynamic ensemble selection performance)、KNORAU(K-nearest oracle union)和META-DES(meta-learning for dynamic ensemble selection)动态集成选择算法的分类效果明显优于传统的单一分类器以及集成分类器模型,基于FIRE改进的DESP、KNORAU和META-DES动态选择算法的分类效果在其基础上实现了进一步提升,且FIRE-META-DES取得了最优的分类性能(准确率=0.909,精确率=0.906,召回率=0.967,ROC曲线下面积=0.879,F1-Score=0.936,Brier Score=0.088)。结论针对DLBCL实际数据集,本文SMOTE-ENN+FIRE-META-DES的复发预测模型在性能上达到最优,可为DLBCL复发预测提供有力参考。
暂无评论