S'abonner

An Ensemble Learning System Based on Stacking Strategy for Survival Risk Prediction of Patients with Esophageal Cancer - 11/09/24

Doi : 10.1016/j.irbm.2024.100860 
Dan Ling a, 1 , Tengfei Jiang a, 1 , Junwei Sun a, 1 , Yanfeng Wang a, , 1 , Yan Wang a, 1 , Lidong Wang b, 2
a Henan Key Lab of Information-Based Electrical Appliances, Zhengzhou University of Light Industry, Zhengzhou, 450002, China 
b State Key Laboratory of Esophageal Cancer Prevention & Treatment and Henan Key Laboratory for Esophageal Cancer Research of The First Affiliated Hospital, Zhengzhou University, Zhengzhou, 450052, China 

Corresponding author.
Sous presse. Manuscrit accepté. Disponible en ligne depuis le Wednesday 11 September 2024
Cet article a été publié dans un numéro de la revue, cliquez ici pour y accéder

Abstract

Background: Predicting the prognosis of esophageal cancer (EC) patients is crucial for optimizing the treatment plan and allocating medical resources effectively.

Methods: This study proposes a novel ensemble learning-based EC survival prediction model. Firstly, recursive feature elimination (RFE) is used to determine the key feature subsets from the dataset. Based on the determined key features, the improved clustering by fast search and find of density peaks (IDPC) is proposed to construct a novel indicator related to EC survival risk. The cosine distance is introduced in IDPC to cluster samples with similar characteristics. Then, the adaptive synthetic (ADASYN) technique is used to generate more high-risk samples to balance high-risk and low-risk samples. Finally, the hyperparameters of the three models, including extreme gradient boosting (XGBoost), adaptive boosting (AdaBoost), and random forest (RF), are optimized by whale optimization algorithm (WOA) and a new stacking model is constructed to evaluate the survival risk of patients.

Results: The proposed stacking model achieved an area under the receiver operating characteristic curve (AUC) of 0.952 and Accuracy of 0.899, on the dataset from the First Affiliated Hospital of Zhengzhou University.

Conclusions: The survival prediction model the proposed ensemble learning system is much more accurate and convenient, providing a basis clinical judgment and decision making and improving the survival status of esophageal cancer patients.

Le texte complet de cet article est disponible en PDF.

Graphical abstract

Le texte complet de cet article est disponible en PDF.

Highlights

The best feature combination is obtained by embedding RFE into the ensemble learning.
An IDPC algorithm is used to construct a survival risk indicator for EC patients.
A stacking model based on WOA-XGBoost, WOA-AdaBoost and WOA-RF is designed.
The constructed stacking model has the best detection rate and misdiagnosis rate.

Le texte complet de cet article est disponible en PDF.

Keywords : Esophageal cancer, Survival prediction, Density peaks clustering, Ensemble learning, Stacking


Plan


© 2024  Publié par Elsevier Masson SAS.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Déjà abonné à cette revue ?

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.