用于预测肿瘤患者生存率的机器学习与反学习方法集成
机器学习
2016-11-17 v1
摘要
本文主要处理一个与患者在手术切除结直肠肿瘤时收集的细胞、化学和物理状况相关的数据集。该数据集为在肿瘤切除时患者的生化和免疫状态，以及肿瘤分类和术后生存信息提供了独特的视角。对于TNM 2期和3期肿瘤患者，基于TNM分期的肿瘤严重程度与生存率之间的关系仍不明确。我们探讨是否可以通过对数据子集应用一系列机器学习技术来更准确地预测生存率，从而深入理解患者的生化标志物与生存率之间的关系。我们使用多种特征选择和单一分类技术来预测TNM 2期和3期患者的5年生存率，初步结果并不理想。随后，将每个模型单独的性能与多个模型达成一致的数据子集进行比较。这种新颖的选择性集成方法表明，对于多个模型达成一致的患者，可以在未见测试集上显著提高模型准确率。最后，我们提出了一种可能的方法，用于识别患者的预后是否能被准确预测。
引用
@article{arxiv.1607.06190,
title = {An ensemble of machine learning and anti-learning methods for predicting tumour patient survival rates},
author = {Christopher Roadknight and Durga Suryanarayanan and Uwe Aickelin and John Scholefield and Lindy Durrant},
journal= {arXiv preprint arXiv:1607.06190},
year = {2016}
}
备注
IEEE International Conference on Data Science and Advanced Analytics (IEEE DSAA'2015), pp. 1-8, 2015. arXiv admin note: text overlap with arXiv:1307.1599, arXiv:1409.0788