《表1 对模型进行10次重复实验的灵敏度、特异度和AUC值》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于AI技术的癌症风险动态预警系统的应用研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为了检验所建立癌症风险指标，将数据随机分为2组:训练组（60%）和检验组（40%），癌症患者和非癌症人群都以同样的比例进行数据分组。首先，计算数据中所有人的相对熵指标S，通过比较癌症人群和非癌症人群相对熵指标的分布可以看到2组人群的相对熵分布有明显的区别，癌症人群的熵比非癌症人群高，显示出更高的无序性（图3A）。然而，仅仅通过相对熵还不能很好地区分癌症高风险分群。然后，通过训练组数据得到综合指标模型，可以看到综合指标可以大大改善了相对熵指标。根据所得到的模型结果对检验组进行分析，结果显示对于癌症患者人群，高风险占91.66%，中度风险占1.04%，低度风险占7.30%。而对于非癌症人群，高风险占2.18%，中度风险占1.52%，低度风险占96.30%（图3B）。如果以该风险值作为二分类依据，把高风险认为是癌症患者，则对应的灵敏度为0.901 5，特异度为0.873 1。此外，根据上面所定义的癌症风险值Risk可以得到相应的ROC曲线下面积（AUC）为0.967 7（图3C）。为了验证模型的鲁棒性，重复上述过程，每次选取不同的训练组和检验组，所得到的灵敏度、特异度和AUC值如表1所示，显示对不同训练组所得到的模型参数有一定的鲁棒性。