Investigación sobre la clasificación del cáncer de pulmón basada en indicadores hematológicos multidimensionales y...

Área de la Ciencia:

• Oncología Oncología.
• La bioinformática es la bioinformática.
• Aprendizaje automático Aprendizaje automático.

Sus antecedentes:

• El subtipo preciso del cáncer de pulmón es esencial para la medicina personalizada y la mejora de los resultados de los pacientes.
• Los métodos actuales como la biopsia patológica pueden ser invasivos y carecen de capacidades de monitoreo dinámico.

Objetivo del estudio:

• Desarrollar y validar modelos de aprendizaje automático no invasivos para el subtipo de cáncer de pulmón utilizando indicadores hematológicos.
• Comparar la aplicabilidad clínica de estos modelos con los métodos de diagnóstico tradicionales.

Principales métodos:

• Se utilizaron datos de 771 pacientes con cáncer de pulmón para el desarrollo y la validación de modelos.
• Se examinaron diez algoritmos de aprendizaje supervisado, incluidos XGBoost y Random Forest.
• Modelos validados en una cohorte independiente de 510 casos de cáncer de pulmón de dos centros clínicos.

Principales resultados:

• El modelo XGBoost logró una precisión del 95% en la diferenciación del cáncer de pulmón de células pequeñas del cáncer de pulmón de células no pequeñas.
• El modelo de Random Forest logró una precisión del 91% para distinguir el carcinoma de células escamosas pulmonares del adenocarcinoma pulmonar.
• Ambos modelos demostraron una significativa aplicabilidad clínica en una validación independiente.

Conclusiones:

• Los modelos de aprendizaje automático que integran datos hematológicos ofrecen un enfoque no invasivo, repetible y dinámico para el subtipo de cáncer de pulmón.
• Estos modelos sirven como un valioso complemento a la biopsia patológica, mejorando la precisión del diagnóstico y facilitando estrategias de tratamiento personalizadas.