基于机器学习的模型的开发和外部验证,用于预测癌中的肺转移:一项基于人口的大型研究

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:

• 目前用于评估癌中的肺转移 (LM) 的指数缺乏足够的准确性.
• 准确预测LM对于及时干预和改善癌患者的治疗结果至关重要.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于估计癌患者发生肺转移的风险.
• 确定癌中肺转移的关键人口统计和临床病理预测因素.

主要方法:

• 从2004年至2017年期间诊断出52,714名癌患者的人口和临床病理学数据的回顾性分析.
• 使用十倍交叉验证开发和内部验证六个ML分类器.
• 外部验证使用来自492名患者的数据;通过AUC,精度,灵敏度,特异性和F1评分来评估性能.

主要成果:

• 年龄,性别,种族,T阶段,N阶段,瘤大小,组织学和等级被确定为LM的重要预测因素.
• 极端梯度增强 (XGB) 算法表现出卓越的性能,AUC为0.913 (内部) 和0.904 (外部).
• 在内部和外部验证队列中,XGB模型实现了高灵敏度和特异性.

结论:

• 建立了一个基于ML的高精度肺转移预测模型,用于癌患者的肺转移.
• 开发的模型,特别是XGB算法,显示出显著的临床实用性和应用价值.
• 使用XGB模型的基于网络的预测器可用于帮助临床医生做出关于癌管理的个性化和知情决策.