基于机器学习模型的卵巢癌患者肝转移相关因素分析

摘要

目的 本研究旨在利用机器学习技术分析卵巢癌患者发生肝转移的相关因素，为临床提供指导。方法 从SEER数据库中提取2010年1月至2015年12月的39 351例卵巢癌患者数据，最终纳入14 608例，其中523例发生肝转移。使用决策树(DTC)、逻辑回归(LR)、随机森林(RFC)、极限梯度提升(XGBoost)、自适应提升(Adaboost)、轻量级梯度提升机(LightGBM)构建分析模型，并通过特异度、准确度、F1分数、灵敏度、阳性预测值(PPV)及受试者工作特征(ROC)曲线下面积(AUC)评估各模型的性能，同时对最优模型的特征重要性进行排序。结果 LightGBM模型表现出最佳性能(AUC为0.776,特异度为0.548,准确度为0.753,F1分数为0.796,灵敏度为0.952,PPV为0.683)。特征重要性排序显示，组织学类型、肿瘤偏侧性、肿瘤分级、AJCC T分期、AJCC N分期和化疗是影响卵巢癌肝转移的重要因素。结论 基于LightGBM模型的分析结果表明，卵巢癌患者肝转移与多种临床特征相关，此结果可能为临床医生提供更加个性化的临床决策支持。

关键词

SEER数据库 / 卵巢癌 / 肝转移 / 机器学习 / 分析模型

基金资助

国家自然科学基金项目(82160537)