Abstract A041: A Hybrid Active Learning (AL) Random Forest Model with KNN Imputation to Predict Recurrence in Ductal Carcinoma In Situ (DCIS) of the Breast
Notice bibliographique
Résumé
Abstract Background: DCIS is a significant clinical burden that may benefit from machine learning. However, the data requirement of traditional Machine Learning (ML) is impractical. Herein, I explore the use of an emerging ML technique that can work with a small dataset. Methods: A dataset from a published DCIS study (Chan et al., 2001; DOI: 10.1002/1097-0142(2001010191:1<9::aid-cncr2>3.0.co;2-e)) was used with permission. Unlike the original analysis, patients with missing margin width data were retained. Little’s Missing Completely at Random (MCAR) test (P = 0.88) supported this assumption. Missing values were imputed using k-Nearest Neighbours (KNN), preserving statistical properties (pre-imputation vs post-imputation margin width mean: 4.62 mm vs 4.61 mm; SD: 5.67 mm vs 5.59 mm; t-test P = 0.986). A hybrid AL strategy, combining uncertainty-based and random sampling, was applied using a Random Forest classifier. Results: By round 3 of AL, the model achieved a mean F1-score of 0.95 (range: 0.92–1.00) and a mean Matthews Correlation Coefficient (MCC) of 0.94 (range: 0.91–1.00) across multiple random seeds. This level of performance was reached with approximately 80 labelled patient records, highlighting the data efficiency of AL. Conclusion: A hybrid AL approach combined with KNN imputation produced a high-performing recurrence prediction model using a small labelled dataset. This framework may support efficient clinical decision-making in DCIS and could be further extended with integration of a local large language model (LLM) for interpretability and clinical explanation. Citation Format: Kai Chan. Hybrid Active Learning (AL) Random Forest Model with KNN Imputation to Predict Recurrence in Ductal Carcinoma In Situ (DCIS) of the Breast [abstract]. In: Proceedings of the AACR Special Conference in Cancer Research: Artificial Intelligence and Machine Learning; 2025 Jul 10-12; Montreal, QC, Canada. Philadelphia (PA): AACR; Clin Cancer Res 2025;31(13_Suppl):Abstract nr A041.
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 | 0,007 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».