基于SEER数据库和多中心外部验证队列的深度学习模型来预测原发性胃肠道淋巴瘤患者的生存率
Feifan Wang1, Lu Chen2, Lihong Liu3
1Gastrointestinal Disease Diagnosis and Treatment Center, The First Hospital of Hebei Medical University, 89 Donggang Road, Shijiazhuang, 050000, China.
Journal of cancer research and clinical oncology
|July 10, 2023
概括
这项研究开发了一种深度学习模型DeepSurv,用于预测原发性胃肠道淋巴瘤 (PGIL) 患者的生存率. 与传统方法相比,DeepSurv模型在预测整体存活率方面表现出卓越的准确性.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
背景情况:
- 初级胃肠道淋巴瘤 (PGIL) 是罕见的,导致未定义的预后因素和管理策略.
- 准确的生存预测对于PGIL患者个性化治疗决策至关重要.
研究的目的:
- 开发和验证预后模型,以预测原发性胃肠道淋巴瘤 (PGIL) 患者的整体生存期 (OS).
- 利用深度学习算法来提高生存预测的准确性.
主要方法:
- 来自SEER数据库的11,168名PGIL患者的大队伍被用于培训和测试.
- 包括一个来自三个医疗中心的82名PGIL患者的外部验证队列.
- 考克斯比例危险 (CoxPH),随机生存森林 (RSF) 和DeepSurv模型被构建并用于OS预测.
主要成果:
- 在DeepSurv模型中,C指数值为0.760 (训练),0.742 (测试) 和0.707 (外部验证),实现了卓越的性能.
- 确定的主要预测因素包括年龄,组织学类型和化疗,以及其他临床因素.
- 该模型准确地预测了1年,3年,5年和10年的整体生存率.
结论:
- 外部验证的DeepSurv模型为预测PGIL患者的短期和长期生存提供了卓越的准确性.
- 这种先进的模型可以帮助做出更明智的,个性化的PGIL治疗决策.
