基于机器学习算法的胃癌淋巴结转移预测模型研究

摘要

目的 基于4种机器学习(ML)算法构建胃癌淋巴结转移的预测模型并验证。方法 回顾性收集531例胃癌根治术患者的临床资料，按3∶1比例将患者随机分为训练集399例和测试集132例。通过单因素分析筛选胃癌淋巴结转移的特征选择变量，分别建立逻辑回归、随机森林、K-邻近算法、支持向量机算法模型并进行变量重要性排序。将所有ML算法模型在测试集中进行验证，绘制受试者工作特征(ROC)曲线，基于曲线下面积(AUC)、灵敏度、特异度、准确度确定最优ML算法模型。基于最优ML算法模型的变量重要性排序构建列线图模型，通过ROC曲线、校准曲线、决策曲线评价列线图模型的区分能力、校准能力和临床适用性。结果 4种ML算法模型比较结果显示，随机森林模型为最优算法模型，其在训练集中的准确度、灵敏度、特异度分别为72.7%、69.9%、75.0%,AUC为0.803,其在测试集中的准确度、灵敏度、特异度分别为64.4%、66.7%、62.5%,AUC为0.751。基于随机森林算法模型的变量构建列线图模型，ROC曲线显示列线图模型在训练集、测试集中的AUC分别为0.721、0.776,校准曲线和决策曲线显示列线图模型在训练集与测试集中均有较好的校准能力和临床适用性。结论 随机森林模型是4种ML算法模型中的最优算法模型，基于随机森林模型构建的列线图模型能够较准确地预测胃癌淋巴结转移风险，从而更好地指导临床诊断和治疗决策。

关键词

胃癌 / 淋巴结转移 / 机器学习算法 / 预测模型 / 随机森林 / 支持向量机算法