基于混合采样方法与基于树的分类器在不平衡结直肠癌数据集上的生存预测
机器学习
2023-09-06 v1
摘要
背景与目的：结直肠癌是一种高死亡率癌症。临床数据分析在预测结直肠癌患者生存方面起着关键作用，使临床医生能够做出知情的治疗决策。然而，利用临床数据可能具有挑战性，特别是在处理不平衡结局时。本文聚焦于使用临床数据集开发算法来预测结直肠癌患者的 1 年、3 年和 5 年生存，尤其强调高度不平衡的 1 年生存预测任务。为解决此问题，我们提出了一种方法，构建若干标准平衡技术的流水线以提高真正率。评估在来自 SEER 数据库的结直肠癌数据集上进行。方法：预处理步骤包括删除含缺失值的记录并合并类别。1 年和 3 年生存任务的少数类分别由数据的 10% 和 20% 组成。使用编辑最近邻、重复编辑最近邻(RENN)、合成少数类过采样技术(SMOTE)以及 SMOTE 与 RENN 的流水线方法进行比较以平衡数据并结合基于树的分类器。本文使用了决策树、随机森林、额外树、极端梯度提升和轻量梯度提升(LGBM)。结果：性能评估采用 5 折交叉验证方法。对于高度不平衡数据集(1 年)，我们提出的结合 LGBM 的方法以 72.30% 的灵敏度优于其他采样方法。对于不平衡任务(3 年生存)，RENN 与 LGBM 的组合达到了 80.81% 的灵敏度，表明我们提出的方法对高度不平衡数据集效果最佳。结论：我们提出的方法显著改善了结直肠癌患者少数类的死亡预测。
引用
@article{arxiv.2309.01783,
title = {Survival Prediction from Imbalance colorectal cancer dataset using hybrid sampling methods and tree-based classifiers},
author = {Sadegh Soleimani and Mahsa Bahrami and Mansour Vali},
journal= {arXiv preprint arXiv:2309.01783},
year = {2023}
}
备注
19 Pages, 6 Figures, 4 Tables