跳到主要内容
检索

# AI in cancer detection

2 篇关联报道

订阅更新
  1. 模糊排序特征选择加H2O AutoML集成,在两个公开宫颈癌数据集上取得最高95.1%准确率与98.1% AUC

    该工作提出可解释的 Fuzzy Rank-H2O AutoML 框架,用模糊排序特征选择(FRFS)综合统计显著性、信息增益、临床重要性与不确定性挑选预测因子,再由 H2O AutoML 自动构建集成模型,并用 SHAP 与 LIME 提供全局与患者级解释;在两个公开宫颈癌数据集上以分层五折交叉验证评估,每折仅对训练集施加 SMOTE 以避免信息泄漏,报告的最高准确率为 95.1%、AUC 为 98.1%,优于传统机器学习模型与基线 H2O AutoML 框架。

  2. 单中心232例甲状腺乳头状癌数据中,SVM模型以验证集AUC 0.849预测淋巴结转移,且去除BRAF后AUC仅降0.007

    该回顾性研究纳入铜陵市人民医院232例接受甲状腺手术的甲状腺乳头状癌患者,用LASSO从32个候选变量中筛出BRAF突变状态、肿瘤大小、包膜侵犯、甲状腺外侵犯、多灶性和TSH六个特征,比较七种机器学习算法,支持向量机(SVM)在验证队列表现最佳(AUC 0.849,95% CI 0.756–0.934;准确率0.768),SHAP分析显示TSH与肿瘤大小贡献最大,消融分析显示去掉BRAF后验证AUC由0.849降至0.843(P=0.671)。

已读完全部报道