换一批机器学习整合肿瘤标志物与临床检验数据构建胰腺癌与胰腺良性病变的鉴别模型
A discrimination model for differentiating pancreatic cancer from benign pancreatic lesions by integrating tumor biomarkers with clinical test data through machine learning method
摘要目的 采用机器学习方法开发区分胰腺癌与胰腺良性病变的鉴别模型.方法 研究对象为2018年1月至2023年12月期间在南昌大学第二附属医院接受治疗的251例胰腺疾病患者.研究中构建了6种机器学习模型,包括逻辑回归、随机森林、极端梯度提升树(eXtreme gradient boosting,XGBoost)、支持向量机、多层感知器和高斯朴素贝叶斯等,以区分胰腺癌与胰腺良性病变.通过受试者工作特征(receiver operating characteristic,ROC)曲线评估各模型的区分能力,校准曲线评估模型的一致性,决策曲线评估模型的临床适用性,并通过SHapley加性解释(SHapley Additive exPlanations,SHAP)方法对模型进行解释.结果 在251例胰腺疾病患者中,100例被诊断为胰腺癌,151例被诊断为胰腺良性病变.成功构建6种机器学习模型,其中随机森林、XGBoost、支持向量机、多层感知器模型的ROC曲线下面积(area under the curve,AUC)优于糖类抗原 19-9(carbohydrate antigen 19-9,CA 19-9)(均P＜0.05).特别是,XGBoost模型的 AUC值最高(AUC=0.886),通过决策曲线和校准曲线的分析进一步证实了其显著的临床净收益和较好的一致性.SHAP分析显示,CA19-9是XGBoost模型中最重要的贡献者.结论 利用肿瘤标志物和临床检测数据开发的XGBoost模型,显著提高了区分胰腺癌与胰腺良性病变的鉴别能力,显示出其在临床应用的潜力.
更多相关知识
关键词
胰腺肿瘤胰腺良性病变机器学习鉴别模型Pancreatic cancerBenign pancreatic lesionsMachine learningDiscrimination model
分类号
R735.9（消化系肿瘤）
栏目名称
DOI
10.3969/j.issn.1674-5671.2025.03.11
发布时间
2025-08-21（万方平台首次上网日期，不代表论文的发表时间）
基金项目
国家自然科学基金（81960609）
江西省卫生健康委员会科技计划项目（20204356）
- 浏览0
- 被引1
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
