典型文献
机器学习和传统列线图预测软骨肉瘤肺转移风险的预测模型的建立与评估
文献摘要：
目的 探讨开发Nomogram和机器学习的软骨肉瘤患者的肺转移风险对的预测模型,为临床工作提供帮助.方法 2010年至2016年的监测,流行病学和最终结果(The Surveillance,Epidemiology,and End Results,SEER)数据库获得的软骨肉瘤患者数据,然后通过单因素和多因素Logistics回归进行筛选,确定肺转移的危险因素.分别建立预测软骨肉瘤肺转移风险模型:Nomogram,支持向量机,决策树和神经网络.使用10-fold cross validation检验模型预测能力,计算平均AUC值,绘制最大AUC值的ROC曲线.结果 本研究共纳入944例.Logistics回归分析显示,淋巴转移或未知、更大的肿瘤体积、更低的分化等级为软骨肉瘤患者出现肺转移的独立危险因素.建立预测软骨肉瘤肺转移风险的Nomogram的平均AUC为0.83,支持向量机的平均AUC为0.81,决策树的平均AUC为0.73,神经网络的平均AUC为0.76.结论 淋巴转移或未知、更大的肿瘤体积、更低的分化等级为软骨肉瘤患者出现肺转移的独立危险因素.建立的Nomogram、支持向量、决策树和神经网络4个模型均有较好的预测能力.
文献关键词：
软骨肉瘤;肿瘤转移;机器学习;支持向量机;决策树;神经网
中图分类号：
作者姓名：
林跃玮;黄永明;李文乐;刘强
作者机构：
510006 广东,广州中医药大学第二临床医学院;510006 广州,广东省中医院骨伤科;712000 陕西,咸阳市中心医院临床医学研究中心;712000 陕西,咸阳市中心医院骨科中心
文献出处：
引用格式：
[1]林跃玮;黄永明;李文乐;刘强-.机器学习和传统列线图预测软骨肉瘤肺转移风险的预测模型的建立与评估)[J].中国骨与关节杂志,2022(01):19-26
A类：
B类：
列线图,软骨肉瘤,肺转移,转移风险,讨开,Nomogram,临床工作,Surveillance,Epidemiology,End,Results,SEER,患者数据,Logistics,风险模型,决策树,fold,cross,validation,检验模型,预测能力,淋巴转移,肿瘤体积,分化等级,肿瘤转移
AB值：
0.20888
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
