基于机器学习算法的卵巢癌风险列线图预测模型

摘要

目的：基于机器学习算法构建卵巢癌(OV)发生的风险列线图预测模型，为OV病人的早期筛查提供临床依据。方法：搜集卵巢肿瘤病人142例，其中OV病人71例，卵巢良性肿瘤的病人71例。收集所有病人的年龄、血型、病理诊断、术前血常规、生化常规、凝血功能、免疫过筛以及肿瘤五项等血清学指标。采用LASSO回归初步筛选影响OV的因素，再通过随机森林分析影响因素的重要性排序，并将其结果纳入多因素logistic回归，从而确定最终筛选的影响因素，并用其构建OV列线图预测模型。最后，通过ROC曲线、校准曲线和临床决策分析(DCA)曲线评估模型性能。结果：通过LASSO回归和随机森林筛选影响OV发生的变量重要性由高到低排序依次为糖类抗原125(CA125)、血浆D-二聚体、绝经前卵巢癌风险预测模型(PREM)、绝经后卵巢癌风险预测模型(POSTM)、纤维蛋白原、血小板计数、淋巴细胞百分比(LY%)。多因素logistic回归结果发现CA125(OR=1.037,95%CI:1.012～1.063)、PREM(OR=1.158,95%CI:1.011～1.327)以及LY%(OR=0.910,95%CI:0.851～0.973)对OV的影响有统计学意义。而构建的OV风险预测列线图模型的ROC曲线的AUC为0.966,校准曲线和DCA曲线也均显示预测模型具有较好临床实用性。结论：基于机器学习算法筛选出影响OV的因素有CA125、PREM和LY%,据此构建的OV风险列线图模型对OV病人具有较高的预测价值。

关键词

卵巢癌 / 机器学习 / 列线图 / 模型

基金资助

蚌埠医科大学自然科学研究重点项目(2021byzd147); 安徽省临床医学研究转化专项(202427b10020073)