基于检验组学及机器学习的乳腺癌诊断模型研究

目的:以常规临床检验大数据为基础,使用机器学习算法构建乳腺癌诊断模型。以探讨临床检验组学在乳腺癌诊断中的应用价值。方法:采用回顾性研究方法,收集6089例乳腺癌患者及6830例乳腺良性疾病患者临床信息和检验数据。分别运用极限梯度提升、神经网络、支持向量机、随机森林、最近邻算法、逻辑回归、线性判别分析算法、朴素贝叶斯、梯度提升机算法和C5.0决策树等机器学习算法建立乳腺癌诊断模型。采用10折交叉验证进行模型训练,应用准确度、AUC、平均准确度、特异度、灵敏度、阳性预测值、阴性预测值及Kappa值评估各模型性能。结果:从28项常规临床检验指标中筛选出GLU、DBIL、RDW-CV、MONO、TG、ALB、RBC、LYMPH、UREA等9项指标再加上age用于模型构建。通过10种机器学习算法进行模型评估,发现梯度提升机算法相较其它算法具有最优的诊断性能。梯度提升机算法诊断乳腺癌准确度为0.80、AUC为0.80、平均准确度为0.80、特异度为0.77、灵敏度为0.82、阳性预测值为0.78、阴性预测值为0.81、Kappa值为0.59。结论:以常规临床检验数据为基础,使用机器学习算法构建乳腺癌诊断模型,可以为乳腺癌的辅助诊断提供决策支持。