基于常规检验数据的原发性肝癌风险预测模型的建立与评价

目的 探索基于常规检验数据的机器学习模型在原发性肝癌风险预测中的价值.方法 从医院A收集肝癌组298例和非肝癌组882例,筛选出模型建立的特征参数,建立机器学习的预测模型.从医院B收集肝癌组178例、非肝癌组315例,对所构建的最优模型进行外部验证.结果 通过统计学方法筛选出2种最佳特征参数组合,采用机器学习算法分别建立Model1-5和Model6-10,在内部验证集中采用XGBoost算法构建的Model3[ROC曲线下面积(AUCROC)=0.952,准确度=0.899]和Model8(AUCROC=0.951,准确度=0.897)的性能指标最佳.Model3和Model8共有的特征参数包括性别、年龄、甲胎蛋白、C-反应蛋白、半胱氨酸蛋白酶抑制剂C.Model3的特征参数还有纤维蛋白原,外部验证集的AUCROC=0.823,准确度=0.793.Model8的特征参数还有清蛋白,外部验证集的AUCROC和准确度分别为0.816和0.793.结论 基于常规检验数据可以构建原发性肝癌的风险预测模型.