机器学习模型的开发和外部验证,以预测乳腺癌中新辅助化疗后的病理完整反应

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 乳腺癌新辅助化疗 (NAC) 后病理完整反应 (pCR) 的预测模型受到复杂性和缺乏外部验证的限制.
• 现有的模型通常依赖于复杂的成像或特定机构的数据,阻碍了广泛的应用.

研究的目的:

• 开发和外部验证一种机器学习 (ML) 模型,用于预测乳腺癌患者在NAC后的PCR.
• 用例行收集的临床和人口变量来开发模型,提高其实际效用.

主要方法:

• 对手术前接受NAC的晚期乳腺癌患者电子病历的回顾性审查 (2017年1月 - 2020年12月).
• 来自首尔国立大学Bundang医院的数据被分为培训和内部验证集.
• 评估了五种ML技术 (GBM,SVM,随机森林,决策树,神经网络),根据接收器操作特征曲线 (AUC) 下的面积选择了最佳模型.
• 选择的模型被外部验证,使用来自首尔国立大学医院的独立队列.

主要成果:

• 该研究包括1003名患者在培训 (287),内部验证 (71) 和外部验证 (645) 队列中.
• 总的PCR率为36.3%.
• 梯度增强机 (GBM) 模型在内部验证中实现了pCR预测 (0.903) 的最高AUC.
• 外部验证显示了强的性能,AUC为0.833.

结论:

• 使用现有临床和人口统计数据开发了一种强大的ML模型,用于预测乳腺癌中NAC后的PCR.
• 该模型的成功外部验证证实了常规变量对于准确预测的充分性.
• 这种方法提供了一个广泛适用的工具,用于预测接受NAC.乳腺癌患者的治疗反应.