Table 7.

Representation of diagnostic performance using largest tumor slice for different models.

Largest Tumor Slice
	Feature Type	Model	Accuracy	Sensitivity	Specificity	AUC
		RF	0.78 ± 0.115	0.88 ± 0.120	0.68 ± 0.183	0.89 ± 0.087
		SVM	0.66 ± 0.131	0.80 ± 0.157	0.52 ± 0.196	0.76 ± 0.118
	Original	KNN	0.88 ± 0.090	0.96 ± 0.040	0.80 ± 0.157	0.88 ± 0.090
		LR	0.72 ± 0.124	0.76 ± 0.167	0.68 ± 0.183	0.72 ± 0.124
Cohort 1		NB	0.76 ± 0.118	0.76 ± 0.167	0.76 ± 0.167	0.87 ± 0.093
($n=50$)		RF	0.92 ± 0.075	0.92 ± 0.080	0.92 ± 0.080	0.95 ± 0.050
		SVM	0.96 ± 0.040	1.00 ± 0.000	0.92 ± 0.080	0.98 ± 0.020
	Filtered	KNN	0.92 ± 0.075	0.96 ± 0.040	0.88 ± 0.120	0.92 ± 0.075
		LR	0.92 ± 0.075	0.96 ± 0.040	0.88 ± 0.120	0.92 ± 0.075
		NB	0.86 ± 0.096	0.84 ± 0.144	0.88 ± 0.120	0.97 ± 0.030
		RF	0.69 ± 0.119	0.63 ± 0.182	0.74 ± 0.166	0.79 ± 0.109
		SVM	0.65 ± 0.126	0.52 ± 0.187	0.78 ± 0.155	0.36 ± 0.128
	Original	KNN	0.70 ± 0.125	0.70 ± 0.176	0.70 ± 0.176	0.73 ± 0.118
		LR	0.63 ± 0.128	0.52 ± 0.187	0.74 ± 0.166	0.63 ± 0.129
Cohort 2		NB	0.56 ± 0.128	0.37 ± 0.183	0.74 ± 0.166	0.60 ± 0.306
($n=54$)		RF	0.85 ± 0.097	0.81 ± 0.151	0.89 ± 0.110	0.93 ± 0.068
		SVM	1.00 ± 0.000	1.00 ± 0.000	1.00 ± 0.000	1.00 ± 0.000
	Filtered	KNN	0.89 ± 0.083	0.81 ± 0.151	0.96 ± 0.040	0.89 ± 0.083
		LR	1.00 ± 0.000	1.00 ± 0.000	1.00 ± 0.000	1.00 ± 0.000
		NB	0.81 ± 0.108	0.78 ± 0.155	0.85 ± 0.136	0.85 ± 0.095
		RF	0.61 ± 0.109	0.65 ± 0.148	0.57 ± 0.158	0.65 ± 0.105
		SVM	0.70 ± 0.100	0.70 ± 0.142	0.70 ± 0.142	0.72 ± 0.098
	Original	KNN	0.70 ± 0.100	0.70 ± 0.100	0.70 ± 0.100	0.73 ± 0.097
		LR	0.66 ± 0.106	0.63 ± 0.145	0.70 ± 0.142	0.66 ± 0.104
Combined		NB	0.68 ± 0.098	0.45 ± 0.154	0.90 ± 0.093	0.73 ± 0.097
($n=80$)		RF	0.66 ± 0.106	0.65 ± 0.148	0.68 ± 0.140	0.67 ± 0.103
		SVM	0.68 ± 0.098	0.80 ± 0.124	0.55 ± 0.154	0.73 ± 0.097
	Filtered	KNN	0.70 ± 0.078	0.78 ± 0.144	0.63 ± 0.073	0.72 ± 0.107
		LR	0.69 ± 0.099	0.75 ± 0.134	0.62 ± 0.155	0.69 ± 0.101
		NB	0.66 ± 0.106	0.78 ± 0.124	0.55 ± 0.154	0.73 ± 0.097