基于机器学习的肾癌患者术后复发风险预测模型的构建与评价

摘要

目的 探索肾癌患者术后复发的影响因素，构建复发风险的机器学习预测模型并评价其效能。方法 回顾性收集山西医科大学第一医院泌尿外科2013—2021年间915例行手术治疗的肾癌患者的临床资料。将纳入研究的患者按7∶3的比例随机划分为训练集(n=510)和验证集(n=218)。在训练集中使用最小绝对收缩和选择算子(LASSO)回归算法筛选重要变量，并构建肾癌患者术后复发风险的机器学习预测模型，在验证集中结合模型的受试者工作特征(ROC)曲线下面积(AUC)和准确率、F1值等指标对模型效能进行比较。结果 LASSO回归筛选出影响肾癌患者术后复发的风险因素有吸烟史、肿瘤最大径、N分期、Fuhrman分级、凝血酶时间和纤维蛋白原水平，据此构建的logistic模型、决策树模型、随机森林模型和贝叶斯模型在验证集中的AUC值分别为0.862、0.792、0.843和0.861,准确率分别为0.917、0.908、0.904和0.927,F1值分别为0.357、0.286、0.323和0.600。综合比较，贝叶斯模型的性能最稳定且具有较好的区分度。结论 在本数据集中，基于贝叶斯算法的机器学习预测模型效能较好，可为临床决策提供参考。

关键词

肾细胞癌 / 复发 / 机器学习 / 预测模型 / 逻辑回归 / 决策树 / 随机森林 / 贝叶斯