文献类型：期刊文章

作　　者：尹燕伟[1] 于成龙[1] 陈广新[2] 刘丽[1]

YIN Yanwei;YU Chenglong;CHEN Guangxin;LIU Li(Department of Nuclear Magnetism,Hongqi Hospital Affiliated to Mudanjiang Medical University,Heilongjiang,Mudanjiang 157011,China;Teaching and Research Office of Medical Image Processing,School of Medical Imaging,Mudanjiang Medical University,Heilongjiang,Mudanjiang 157011,China)

机构地区：[1]牡丹江医学院附属红旗医院核磁科,黑龙江牡丹江157011 [2]牡丹江医学院医学影像学院医学图像处理教研室,黑龙江牡丹江157011

出　　处：《中国医药科学》

基　　金：黑龙江省省属高校科研基本业务费科研项目(2021-KYYWF-0508)。

年　　份：2023

卷　　号：13

期　　号：15

起止页码：136-140

语　　种：中文

收录情况：JST、普通刊

摘　　要：目的通过机器学习算法模型对前列腺癌的良恶性风险进行预测并对其关联因素进行分析。方法采用kaggle前列腺癌公开数据集诊断数据100例,其中良性62例、恶性38例。按照7:3划分训练集与测试集,采用机器学习算法构建预测模型并进行验证和特征权重重要性分析与SHAP模型解释性分析。结果几种机器学习算法模型的评价中采用了准确率、精确率、F1分数、召回率等指标。最终Catboost模型预测效果最好,准确率达92%,ROC-AUC为96%,召回率为1,精确率为0.67,F1分数为0.8。密实度(compactness)、前列腺癌病灶的面积(area)为影响诊断结果的最重要的两个因素。结论利用机器学习算法预测前列腺癌疾病风险,可揭示前列腺癌诊断标志物与解释模型,为临床辅助诊断决策提供参考。

关 键 词：前列腺癌 疾病风险 机器学习  特征重要性  模型  

分 类 号：R737.25]