应用机器学习技术来预测由直肠癌引起的肺转移风险:一个现实世界的回顾性研究

科学领域:

• 在瘤学瘤学.
• 机器学习 机器学习
• 生物统计学 生物统计学

背景情况:

• 肺转移是直肠癌患者经常发生的严重并发症.
• 早期识别患有肺转移高风险的患者对于改善生存和生活质量至关重要.

研究的目的:

• 开发和验证一种机器学习模型,用于预测直肠癌患者肺转移的风险.
• 为临床应用创建一个用户友好的基于Web的计算器.

主要方法:

• 在来自SEER数据库的大型队列 (27,180名患者) 上使用了八种机器学习算法来开发模型.
• 使用来自中国医院的外部队列 (1118名患者) 验证的模型.
• 使用AUC,AUPR,MCC,DCA和校准曲线评估模型性能.

主要成果:

• 极端梯度增强 (XGB) 模型表现出高AUC (0.96训练,0.87内部,0.91外部) 的优异性能.
• XGB模型取得了优异的AUPR (0.98培训,0.60内部,0.63外部) 和MCC (0.88培训,0.61内部,0.68外部).
• 使用XGB模型开发了一个基于Web的计算器,用于实际的临床使用.

结论:

• 基于临床病理学信息,XGB模型有效预测直肠癌患者的肺转移风险.
• 开发的工具可以帮助医生做出明智的临床决策,并可能改善患者管理.