机器学习辅助的复发预测对于早期非小细胞肺癌患者

科学领域:

• 在瘤学瘤学.
• 生物统计学 生物统计学
• 计算机科学 计算机科学

背景情况:

• 个性化癌症护理依赖于准确的复发风险分层.
• 早期非小细胞肺癌 (NSCLC) 需要精确的预后工具.

研究的目的:

• 研究机器学习模型在估计早期NSCLC患者复发概率方面的有效性.
• 回答:如何使用机器学习来估计早期非小细胞肺癌 (NSCLC) 患者复发的概率?

主要方法:

• 在1387名早期NSCLC患者的数据上训练有素的表格和图形机器学习模型.
• 采用了夏普利添加剂的解释,用于表式模型的解释性.
• 利用基于示例的方法来解释图形模型预测.

主要成果:

• 随机森林模型在使用表格数据 (10倍交叉验证) 预测复发时达到76%的准确性.
• 图形机器学习模型在一组测试中达到68%的准确性.
• SHAP值和基于示例的解释为模型预测提供了洞察力.

结论:

• 机器学习模型为早期NSCLC提供客观,个性化和可重复的复发预测.
• 开发的预后模型显示了作为辅助治疗选择的决策支持工具的潜力.
• 建议对各种数据进行进一步的验证,以便在临床实施.