目的分析肺结节与肺癌患者脉图特征的差异性,探讨基于脉诊特征利用机器学习方法建立肺癌风险预警模型的可行性。方法采用PDA-1型脉诊仪收集患者的脉图信息,分别对结节组和肺癌组脉图特征进行统计分析,采用R Studio 4.3.2,运用逻辑回归...目的分析肺结节与肺癌患者脉图特征的差异性,探讨基于脉诊特征利用机器学习方法建立肺癌风险预警模型的可行性。方法采用PDA-1型脉诊仪收集患者的脉图信息,分别对结节组和肺癌组脉图特征进行统计分析,采用R Studio 4.3.2,运用逻辑回归、朴素贝叶斯、神经网络、随机森林及支持向量机5种机器学习算法,基于脉图特征构建肺结节与肺癌的诊断分类模型,并对模型性能进行综合评估。结果脉图特征统计分析结果显示:2组患者脉图指标h_(1)、h_(5)、t、t_(1、)t_(4)、t_(5)、h_(3)/h_(1)、h_(1)/t_(1)、h_(4)/h_(1)、t_(1)/t、t_(4)/t_(5)、w_(1)/t、w_(2)/t差异均有统计学意义,其中肺癌组h_(1)、h_(5)、h_(1)/t_(1)、t_(1)/t显著高于结节组(P<0.05),结节组t、t_(1)、h_(3)/h_(1)、h_(4)/h_(1)、t_(4)/t_(5)、w_(2)/t显著高于肺癌组(P<0.05)。预警模型评估结果表明:随机森林模型在建模中表现出良好的分类性能,其模型平均受试者工作特征曲线下面积(AUC)为0.87±0.01,平均准确率为0.79±0.02,平均灵敏度、特异度、精确率、F1分数分别为0.74±0.02、0.84±0.05、0.83±0.04、0.78±0.01。随机森林模型AUC_(PR)值为0.88,高于其他模型。结论肺结节与肺癌患者的多数脉图特征差异显著。预警模型结果进一步验证了脉图特征在肺癌风险预警中的有效性与可行性,为肺结节和肺癌的鉴别诊断提供了新视角。展开更多
文摘目的分析肺结节与肺癌患者脉图特征的差异性,探讨基于脉诊特征利用机器学习方法建立肺癌风险预警模型的可行性。方法采用PDA-1型脉诊仪收集患者的脉图信息,分别对结节组和肺癌组脉图特征进行统计分析,采用R Studio 4.3.2,运用逻辑回归、朴素贝叶斯、神经网络、随机森林及支持向量机5种机器学习算法,基于脉图特征构建肺结节与肺癌的诊断分类模型,并对模型性能进行综合评估。结果脉图特征统计分析结果显示:2组患者脉图指标h_(1)、h_(5)、t、t_(1、)t_(4)、t_(5)、h_(3)/h_(1)、h_(1)/t_(1)、h_(4)/h_(1)、t_(1)/t、t_(4)/t_(5)、w_(1)/t、w_(2)/t差异均有统计学意义,其中肺癌组h_(1)、h_(5)、h_(1)/t_(1)、t_(1)/t显著高于结节组(P<0.05),结节组t、t_(1)、h_(3)/h_(1)、h_(4)/h_(1)、t_(4)/t_(5)、w_(2)/t显著高于肺癌组(P<0.05)。预警模型评估结果表明:随机森林模型在建模中表现出良好的分类性能,其模型平均受试者工作特征曲线下面积(AUC)为0.87±0.01,平均准确率为0.79±0.02,平均灵敏度、特异度、精确率、F1分数分别为0.74±0.02、0.84±0.05、0.83±0.04、0.78±0.01。随机森林模型AUC_(PR)值为0.88,高于其他模型。结论肺结节与肺癌患者的多数脉图特征差异显著。预警模型结果进一步验证了脉图特征在肺癌风险预警中的有效性与可行性,为肺结节和肺癌的鉴别诊断提供了新视角。
