基于机器学习的新统一风险分类得分 (NU-CATS) 是一个具有成本效益的,用于患有子宫内膜癌的患者

科学领域:

• 在瘤学瘤学.
• 基因组学就是基因组学.
• 机器学习 机器学习

背景情况:

• 子宫内膜癌 (EC) 治疗越来越依赖于分子风险分层.
• 在EC预后中存在差异,黑人患者经常经历更糟糕的结果.
• 现有的模型可能无法完全捕捉影响EC进步的因素的复杂相互作用.

研究的目的:

• 开发和验证用于优化EC风险评估的机器学习 (ML) 模型.
• 整合临床和分子风险因素,以改善预后.
• 增强EC内腹部转移性进展的风险分层.

主要方法:

• 使用大型数据集 (TCGA,MSK-MET,PGRN),包括遗传改变和临床病理特征.
• 使用Keras,Pytorch和Scikit Learn开发了人工神经网络 (ANN).
• 创建了一个基于ML的新统一分类CATion分数 (NU-CATS),包括年龄,种族,组织学,不匹配修复状态和TP53突变状态.

主要成果:

• 与白人患者相比,患有EC的黑人患者的预后更差,即使经过对TP53或POLE突变进行调整.
• 与白人患者 (约40%) 相比,黑人患者 (超过75%) 的TP53突变更为普遍.
• 在预测腹腔内进展方面,NU-CATS模型达到75%的准确性,并优于黑人EC患者的莱登/TransPORTEC模型.

结论:

• NU-CATS算法为EC风险预测提供了一种具有成本效益的基于ML的方法.
• NU-CATS优异地预测结节参与,远程转移,疾病进展和整体存活率.
• 这种模型在改善子宫内膜癌个性化治疗策略方面具有显著的潜力.