基于SEER数据库利用机器学习方法分析乳腺癌的预后因素

目的以SEER数据库中1990—2014年间的乳腺癌数据为研究对象,利用机器学习方法,分析乳腺癌的预后因素,辅助医师对患者的预后进行有效评判。方法根据临床医师的建议,筛选了12个字段作为模型输入字段,以术后5年生存状况作为模型输出字段。首先利用单因素统计分析方法初步筛选预后因素,再分别利用logistic回归和决策树两种机器学习分类算法进行建模分析,藉此寻找影响乳腺癌5年预后的因素。采用十折交叉法组织样本数据,并利用过抽样和欠抽样技术进行样本的平衡处理;以灵敏度、特异度及ROC下的AUC等参数作为模型的评价指标。结果在12个模型输入字段中,肿瘤分期、肿瘤分级、肿瘤尺寸、雌激素水平、年龄分组、孕激素水平等因素对于乳腺肿瘤预后具有较大影响;在此两种模型下,模型测试集上的灵敏度和特异度均介于74.2%~78.2%之间,AUC均处于0.838~0.850之间。结论利用Logistic回归和决策树算法构建乳腺癌患者的优化预后模型,可辅助医师判断患者预后情况及治疗效果。     

基于坐标匹配和子图切分定位乳腺钼靶图像的感兴趣区域

乳腺X线摄影技术是早期发现和诊断乳腺肿瘤的首选方法。提取乳腺钼靶图像的感兴趣区域(region of interest,ROI)并利用人工智能算法对其进行模式识别,可有效提高乳腺肿瘤筛查工作的效率。试验图像均来自DDSM乳腺X线钼靶图像公开数据库,以其中BI-RADS分类为第4类(BI-RADS4)的簇状分布多形性钙化钼靶图像为研究对象,探求在设计乳腺钼靶图像分类器过程中提取ROI的新方法。结果显示,设计出优化的分类器后,可高效地识别试验对象,其测试集上的分类准确率最高可达99.3%。因此,本研究可为医生的临床研判提供辅助信息,并为细分BI-RADS4、进一步精准诊断奠定技术基础。