使用机器学习算法预测患有初级乳腺癌的女性的第二种乳腺癌,这是一项基于人口的观察性研究

科学领域:

• 在瘤学瘤学.
• 生物统计学 生物统计学
• 医疗信息学 医疗信息学

背景情况:

• 乳腺癌幸存者面临复发或发展第二种原发性癌症 (SBC) 的重大风险.
• 准确预测SBC风险对于及时干预和改善患者结果至关重要.
• 现有的风险评估方法可能无法充分利用复杂的患者数据.

研究的目的:

• 开发和验证自动机器学习 (ML) 模型,用于预测乳腺癌幸存者的第二次乳腺癌 (SBC) 的发生.
• 通过使用外部验证数据集来评估不同ML算法的概括性.
• 确定与SBC风险增加相关的关键临床特征.

主要方法:

• 利用来自两个癌症注册表的患者级数据进行模型培训 (N=3213) 和外部验证 (N=1073).
• 采用机器学习算法:人工神经网络 (ANN),后勤回归和极端梯度增强 (XGB).
• 使用接收器操作特征 (ROC) 曲线下的面积来评估模型性能.

主要成果:

• 第二次乳腺癌 (SBC) 在6%的研究队列中被诊断出.
• 该ANN模型显示了最高的预测性能,在训练数据中,ROC曲线下的面积为0.78,在外部验证数据中为0.70.
• SBC的主要预测因素包括发病时的年龄,出生年份,瘤阶段和病理性瘤范围. 该ANN模型表现出优越的通用性.

结论:

• 机器学习模型,特别是ANN,可以有效地预测乳腺癌幸存者的第二次乳腺癌 (SBC) 风险.
• 开发的模型显示了帮助临床医生识别高风险个体的潜力,用于针对性预防策略.
• 进一步开发自动化工具可以加强对乳腺癌幸存者的个性化风险评估和管理.