Onur

基于临床生物标志物Ozhan 1，Fatma Hilal Yagin 2 1 1 1

在这项研究中，它的目的是根据机器学习（ML）对癌症进行分类，并通过使用前列腺癌患者使用危险因素来确定最重要的风险因素。使用了100例前列腺癌患者的临床数据。使用随机森林（RF）算法创建了一个预测模型，以对前列腺癌进行分类。使用平衡子采样通过蒙特卡洛交叉验证（MCCV）获得模型的性能。在每个MCCV中，使用样品的三分之二（2/3）来评估该特征的重要性。为了评估模型的性能，计算了ROC曲线（AUC）标准（包括预测类概率和混淆MATRIX）下的模型，准确性，灵敏度，正面预测值，负预测值，F1评分和面积。检查结果时，从RF模型获得的灵敏度，特异性，正预测值，负预测值，准确性，F1得分和AUC值分别为0.89、0.84、0.77、0.93、0.86、0.86、0.83和0.88。区域，周长和质地是区分前列腺癌的三个最重要的风险因素。结论，当RF算法可以成功预测前列腺癌时。由RF模型确定的重要风险因素可能有助于前列腺癌患者的诊断，随访和治疗研究。