使用定量核特征的机器学习来预测清细胞细胞癌的复发情况
Shuya Matsubara1, Akira Saito2,3, Naoto Tokuyama1
1Department of Urology, Tokyo Medical University Hospital, 6-7-1, Nishi-Shinjuku, Shinjuku-Ku, Tokyo, 160-0023, Japan.
Scientific reports
|July 7, 2023
概括
机器学习模型使用核特征准确预测非转移性细胞癌 (RCC) 在手术后5年内复发. 这有助于为清晰细胞RCC患者量身定制后续护理和辅助治疗决策.
科学领域:
- 在瘤学瘤学.
- 数字病理学数字病理学
- 机器学习 机器学习
背景情况:
- 非转移性细胞癌 (RCC) 复发可能发生在切除术后的早期或晚期.
- 准确预测复发对于优化患者管理和随访策略至关重要.
研究的目的:
- 开发和验证用于预测清晰细胞RCC (ccRCC) 早期和晚期复发的机器学习模型.
- 利用数字病理学的定量核形态特征来预测复发.
主要方法:
- 分析了一组131名经过切除术 (T1-3N0M0) 的ccRCC患者.
- 通过使用数字病理学从感兴趣的区域提取了核特征.
- 支持矢量机模型被训练来预测5年和10年的复发.
主要成果:
- 这些模型在预测5年内复发时达到很高的准确性 (100%的基于病例的准确性).
- 在5到10年间复发的预测准确性较低 (12个测试案例中5个).
- 模型在早期复发预测方面表现良好.
结论:
- 基于核形态特征的机器学习模型显示,在5年内预测ccRCC复发的可能性很大.
- 这些模型可能有助于设计个性化的后续协议.
- 建议在患者选择辅助治疗时具有潜在的实用性.
