一种基于无创检验指标的胃癌淋巴结转移预测方法技术

本发明专利技术涉及生物医学工程技术领域，公开了一种基于无创检验指标的胃癌淋巴结转移预测方法，包括以下步骤：S1、数据采集与清洗：对原始数据进行预处理，包括缺失值填充、数据归一化和数据集切分等，其中数值型数据如CA72‑4、CEA等取均值进行填充，类别型数据如性别、OBT等取众数进行填充，使用Z‑score方法对数据进行归一化，使用Scikit‑learn库中的Shuffle函数设置随机数生成器来实现数据的随机排列并将清洗后的741名受试对象数据按3:1的比例切分训练集和测试集。本发明专利技术开发并验证了一个基于V9指标的胃癌淋巴结转移(LNM)预测模型，该模型具有无创性、检测成本低等特点，满足对胃癌淋巴结转移(LNM)的高效精准预测，成功开发在线胃癌LNM预测系统，具备辅助临床诊断价值。

【技术实现步骤摘要】

本专利技术涉及生物医学工程，具体为一种基于无创检验指标的胃癌淋巴结转移预测系统及方法。

技术介绍

1、胃癌是一种全球范围内的高度恶性的消化系统肿瘤，在我国死亡率排名第三，构成严重的公共卫生风险。淋巴结转移(lnm)是其主要转移方式，影响受试者化疗方案的选择和预后。因此，通过对胃癌淋巴结转移(lnm)与否的判断，可及时监测胃癌的进展、治疗效果和患者恢复情况。

2、目前胃癌淋巴结转移(lnm)的诊断，主要包括病理学检查、影像学检查和实验室辅助检查。其中，胃镜/手术联合病理学检查是判断胃癌淋巴结转移(lnm)与否的重要方法。但经胃镜方法取出的组织体积小，难以区分淋巴结情况，对诊断有一定的难度；手术取材是一种有创操作，造成患者不同程度的损伤和痛苦。影像学检测包括了内镜超声、钡餐造影、计算机断层扫描、磁共振成像等方法，但是影像学的检查操作复杂，对人体也会造成一定的辐射，且其判断胃癌淋巴结转移(lnm)与否的早期诊断准确率低。实验室辅助检查只需采取患者少量血液，具有无创、简便、客观、可重复等特点，指标常包括常规检验指标、分子生物学相关新型肿瘤标志物以及微生本文档来自技高网...

【技术保护点】

1.一种基于无创检验指标的胃癌淋巴结转移预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于无创检验指标的胃癌淋巴结转移预测方法，其特征在于，所述S2步骤中XGBoost算法公式为：

3.根据权利要求1所述的一种基于无创检验指标的胃癌淋巴结转移预测方法，其特征在于，所述S3步骤中典型的机器学习算法包括单一学习模型选取了7种学习算法包括：DT、高斯过程、SVM、二次判别分析、多层感知器、朴素贝叶斯、K近邻，4种集成学习算法包括：梯度提升决策树随机森林、Adaboost和XGBoost。

4.根据权利要求3所述的一种基于无创检验指标的胃癌...

【技术特征摘要】

1.一种基于无创检验指标的胃癌淋巴结转移预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于无创检验指标的胃癌淋巴结转移预测方法，其特征在于，所述s2步骤中xgboost算法公式为：

3.根据权利要求1所述的一种基于无创检验指标的胃癌淋巴结转移预测方法，其特征在于，所述s3步骤中典型的机器学习算法包括单一学习模型选取了7种学习算法包括：dt、高斯过程、svm、二次判别分析、多层感知器、朴素贝叶斯、k近邻，4种集成学习算法包括：梯度提升决策树随机森林、adaboost和xgboost。

4.根据权利要求3所述的一种基于无创检验指标的胃癌淋巴结转移预测方法，其特征在于，所述s3步骤的具体步骤如下：

5.根据权利要求4所述的一种基于无创检验指标的胃癌淋巴结转移预测方法，其特征在于，所述s302步骤中的python语言作为基础编程语言模型训练的流程和逻辑，numpy库及pandas库用于对原始患者检验数据开展数据分析与预处理，scikit-learn库及xgboost库用于...

【专利技术属性】
技术研发人员：崔明，景蓉蓉，谢泽宇，严健亮，
申请(专利权)人：南通大学附属医院，
类型：发明
国别省市：