基于机器学习的肺腺癌奥希替尼耐药预测的模型构建方法、系统

本发明涉及医疗数据分析技术领域，尤其涉及基于机器学习的肺腺癌奥希替尼耐药预测的模型构建方法、系统。通过整合肺腺癌患者临床数据与公共数据库mRNA数据，经Mann‑Wh itney U检验、FPKM标准化等预处理后，利用XGBoost构建临床指标驱动的基础模型，并通过R包Mime构建基因特征驱动的预后模型，筛选出TYMS和UAP1L1作为关键基因。通过残差校正和堆叠集成优化模型性能，最终AUC提升至0.924。血清RNA检测验证显示，TYMS和UAP1L1在耐药组显著高表达。该方法通过无创血清检测替代传统活检，降低检测成本，且模型泛化能力经独立队列验证，为肺腺癌患者奥希替尼耐药的早期预警与个性化治疗提供了高效、精准的解决方案。