背景前列腺癌是男性泌尿生殖系统最常见的恶性肿瘤之一,其与前列腺增生之间的快速鉴别是临床面临的难题之一,需要可靠方法进行分类预测。目的基于XGBoost算法构建前列腺癌与前列腺增生的分类预测模型,识别癌症风险因素并分析其在早期诊断中的应用价值。方法于"前列腺癌数据集"(2019年由解放军总医院国家临床医学科学数据中心,国家人口与健康科学数据共享平台提供)中获取前列腺癌与前列腺增生患者的临床数据,在数据预处理基础上按照7∶3划分训练集和测试集;应用XGBoost算法构建前列腺癌与前列腺增生的分类模型;基于训练集确定模型参数,并在测试集上完成模型的有效性验证,利用SHAP方法分析模型特征的临床意义。结果共纳入前列腺癌患者1224例、前列腺增生患者1255例,平均年龄分别为65.86岁、67.70岁;选取年龄、体质量指数、前列腺特异性抗原(prostate specific antigen,PSA)系列指标及其他生化检验指标共23个特征构建分类模型。模型对前列腺癌预测的曲线下面积、准确率、召回率、精确率和F1值分别为0.81、0.74、0.70、0.72、0.74;游离PSA/总PSA、总PSA、无机磷、游离PSA是前列腺早期诊断中最重要的4个指标;SHAP分析结果表明游离PSA/总PSA≤0.132与无机磷≥1.09 mmol/L是前列腺癌诊断中需要被关注的分界值。结论应用XGBoost算法可构建前列腺癌预测的有效分类模型,利用SHAP分析获取的特征指标分界值可为前列腺癌的临床早期筛查提供有益参考。
背景急性肾损伤(acute kidney injury,AKI)在重症监护室(intensive care unit,ICU)发病率高,尤其对于老年人群更是如此。寻找ICU老年AKI的危险因素,建立早期预测模型,有助于临床决策。目的采用机器学习的方法建立ICU老年患者AKI的早期...
详细信息
背景急性肾损伤(acute kidney injury,AKI)在重症监护室(intensive care unit,ICU)发病率高,尤其对于老年人群更是如此。寻找ICU老年AKI的危险因素,建立早期预测模型,有助于临床决策。目的采用机器学习的方法建立ICU老年患者AKI的早期预测模型。方法收集2018年1月-2021年12月入住解放军总医院第一医学中心重症医学科年龄≥65岁的老年患者的临床资料(80%用于训练集,20%用于测试集)。以是否发生AKI为结局变量,纳入人口统计学、生命体征、实验室检查、合并症等55个预测变量,通过多个机器学习模型(包含决策树、随机森林、逻辑回归、XGBoost、LightGBM)开发多变量预测模型。利用受试者工作特征曲线(ROC曲线)下面积(area under curve,AUC)、准确性、敏感度、特异度、F1值评估模型性能,选出最优模型。结果最终纳入968例老年患者,其中共304例患AKI(占31.4%)。LightGBM模型的AUC最高,为0.887,决策树、随机森林、逻辑回归、XGBoost模型的AUC分别为0.795、0.850、0.853、0.875。其中LightGBM模型排前5位的特征变量为查尔森合并症指数、液体入量、血清肌酐、N末端脑利钠肽前体和乳酸。结论我们利用LightGBM机器学习方法开发并建立了一个ICU老年患者的AKI早期预测模型,具有较好的预测效能,有助于临床早期预测及预防ICU老年AKI的发生。
背景食管胃结合部腺癌(adenocarcino ma of esophagogastric junction,AEG)的位置特殊,生物学行为不稳定,患者预后较差。脉管癌栓是影响AEG预后的独立危险因素,术前了解AEG脉管癌栓情况,有助于临床医生制定更加合理的个体化治疗方案。...
详细信息
背景食管胃结合部腺癌(adenocarcino ma of esophagogastric junction,AEG)的位置特殊,生物学行为不稳定,患者预后较差。脉管癌栓是影响AEG预后的独立危险因素,术前了解AEG脉管癌栓情况,有助于临床医生制定更加合理的个体化治疗方案。目的探讨CT影像组学预测AEG脉管癌栓的应用价值。方法选取2015年1月-2019年7月于解放军总医院第一医学中心普外二科诊断明确并接受手术治疗的79例AEG患者的CT影像图像,应用3D Slicer软件在静脉期CT影像最大病灶层面的图像上提取影像组学特征,并通过Lasso回归降维筛选出影像组学特征构建预测模型。计算患者的影像组学评分,将影像组学评分和临床指标作为参数构建列线图,通过受试者工作特征曲线(receiver operator characteristic curve,ROC)评价影像组学模型和列线图术前预测AEG脉管癌栓效能。结果79例患者中,男性68例,女性11例,年龄30~80(63.8±9.5)岁。无脉管癌栓54例,有脉管癌栓25例,脉管癌栓的发生率为31.6%。在每例患者的增强CT图像中均提取873个特征,通过Lasso回归分析并10折交差验证最终确定2D平面最大直径等7个影像组学特征构建了影像组学模型,最大曲线下面积(area under the curve,AUC)达到0.852,敏感度为0.880,特异性为0.849。列线图的AUC为0.885,敏感度为0.880,特异性为0.892。随机抽样2/3样本行ROC分析,结果与所建模型非常接近。结论基于增强CT影像组学评分和临床指标的列线图对AEG脉管癌栓有较好的预测效能,可以为临床医生提供较准确的诊断和决策支持。
暂无评论