Predicting the stage of gastric cancer after gastrectomy based on machine learning algorithms
Notice bibliographique
Résumé
Abstract Background Gastric cancer (GC) is the fourth most common cause of cancer death worldwide, with a 5-year survival rate of less than 40%. One of the most important methods for diagnosing stomach cancer is endoscopy, which is quite costly and invasive. The aim of this study was to develop machine learning-based diagnostic prediction models for the stage of GC. Objectives To create a highly accurate predictive model for the stage of GC in patients via a noninvasive method based on machine learning (ML). Methods In this study, data from 996 patients with GC after gastrectomy were utilized. The data were split into groups, trained and tested, and a ratio of 8:2 was used to develop different machine learning models. Furthermore, the six different machine learning algorithms used in predicting the stage of GC include decision tree (DT), K nearest neighbor (KNN), logistic regression (LR), naive Bayes (NB), random forest (RF), and support vector machine (SVM) methods. Results: The analysis of the demographic variables revealed statistically significant differences in the PLR and NLR and other parameters between the two groups of patients with stages I and III gastric cancer (P < 0.05). Results The analysis of demographic variables revealed statistically significant differences in the PLR, NLR, and other variables between the two groups of patients with stages I and III gastric cancer, with a significance level of P-value < 0.05. Moreover, these findings suggest that the KNN model in this study is one of the best models for predicting the stage of GC.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».