外科学论文_机器学习和传统列线图预测软骨肉瘤

文章目录

材料与方法

一、数据来源、纳入标准与排除标准

    1.数据来源：

    2.纳入标准：

    3.排除标准：

二、统计学处理

三、Nomogram 的建立

四、支持向量机

五、决策树

六、神经网络

七、模型能力验证与评价

结 果

一、患者的基线特征

二、单因素和多因素 Logistics 回归分析总结

三、Nomogram 的建立与验证

四、持向量机建立与验证

五、决策树的建立与验证

六、神经网络的建立与验证

七、模型能力评价

讨 论

文章摘要:目的探讨开发 Nomogram 和机器学习的软骨肉瘤患者的肺转移风险对的预测模型,为临床工作提供帮助。方法 2010 年至 2016 年的监测,流行病学和最终结果 （The Surveillance,Epidemiology,and End Results,SEER） 数据库获得的软骨肉瘤患者数据,然后通过单因素和多因素 Logistics 回归进行筛选,确定肺转移的危险因素。分别建立预测软骨肉瘤肺转移风险模型:Nomogram,支持向量机,决策树和神经网络。使用 10-fold cross validation 检验模型预测能力,计算平均 AUC 值,绘制最大 AUC 值的 ROC 曲线。结果本研究共纳入 944 例。Logistics 回归分析显示,淋巴转移或未知、更大的肿瘤体积、更低的分化等级为软骨肉瘤患者出现肺转移的独立危险因素。建立预测软骨肉瘤肺转移风险的 Nomogram 的平均 AUC 为 0.83,支持向量机的平均 AUC 为 0.81,决策树的平均 AUC 为 0.73,神经网络的平均 AUC 为 0.76。结论淋巴转移或未知、更大的肿瘤体积、更低的分化等级为软骨肉瘤患者出现肺转移的独立危险因素。建立的 Nomogram、支持向量、决策树和神经网络 4 个模型均有较好的预测能力。

文章关键词:

论文分类号:R738.1

上一篇：自动化技术论文_基于粒化可拓决策的属性约简算
下一篇：没有了