基于多检验变量和机器学习算法的结肠癌诊断模型建立及价值评估

摘要

目的 采用不同机器学习算法，建立基于多检验变量的结肠癌诊断模型，并评估其临床应用价值。方法 收集119例结肠癌患者(结肠癌组)和125例健康对照(健康对照组)的血清样本，提取血清外泌体，采用RT-qPCR方法测定miR-214-3p分子在两组中的表达水平，进而绘制受试者工作特征(receiver operating characteristic, ROC)曲线，评估其对结肠癌的诊断效能。同时，收集结肠癌组和健康对照组的常规检验项目结果。将以上指标均纳入研究筛选出特征性变量，采用11种不同算法结合ROC曲线和机器学习曲线综合评价筛选出最优算法，建立结肠癌诊断模型。结果 结肠癌组血清外泌体中miR-214-3p的表达水平明显高于健康对照组(P<0.001),其诊断结肠癌的ROC曲线下面积(area under curve, AUC)为0.820,具有较好的诊断效能。将结肠癌组和健康对照组的血清外泌体miR-214-3p及30种常规检验指标纳入后，筛选出尿素、癌胚抗原、单核细胞计数、外泌体miR-214-3p共4个特征性变量，且逻辑回归算法是建立机器学习模型的最优算法，其AUC为0.93,且学习曲线呈现很好的拟合状态。结论 血清外泌体miR-214-3p是结肠癌的潜在标志物，基于4个特征性变量和逻辑回归算法建立的机器学习模型对结肠癌有良好的诊断效能。

关键词

结肠癌 / miR-214-3p / 外泌体 / 机器学习