应用支持向量机方法对鼻咽癌治疗后5年生存状态的预测

摘要

目的基于数据的机器学习是现代智能技术中的重要方面,研究从观测数据(样本)出发寻找规律,利用这些规律对未来数据或无法观测的数据进行预测。支持向量机(SVM)方法是建立在统计学习理论的结构风险最小原理基础上的机器学习模式识别方法。本文应用SVM进行预测治疗后5年鼻咽癌患者的生存状态,探索对癌症患者预后研究的新方法,期望在临床上为患者的个体化治疗提供支持。方法通过运用SVM和logistic回归两种方法建立针对鼻咽癌患者5年生存状态的预测模型,再分别对在建立模型过程中未运用的检验数据进行预测,并通过接受者工作特征曲线(ROC)分析对两种模型的预测结果进行比较。结果基于25个原始未经筛选的输入变量建立的模型支持向量机模型1(SVMl)对死亡的预测的敏感性为79.2％,特异性为 94.5％,ROC曲线下面积为0.868；类似的,基于对25个原始变量进行筛选出的9个输入变量建立的模型支持向量机模型2 (SVM2)对死亡的预测的敏感性为79.2％,特异性为95.6％,ROC曲线下面积为0.874；而logistic回归模型的敏感性为66.7％,特异性为83.5％,ROC曲线下面积为0.751。结论对于本组数据,支持向量机和logistic回归在预测性能上相近,但总体上,支持向量机的预测性能更佳。提示支持向量机能够对个体患者的预后作出预测,为临床个体化治疗决策提供支持。