用系统性炎症标记物和机器学习在头部和部癌症同时进行化学放射治疗后检测癌症复发
Yoon Kyoung So1, Zero Kim2,3, Taek Yoon Cheong1
1Department of Otorhinolaryngology-Head & Neck Surgery, Inje University College of Medicine, Ilsan Paik Hospital, Goyang-Si 10380, Republic of Korea.
Cancers
|July 29, 2023
概括
中性粒细胞与淋巴细胞比率 (NLR) 和血小板与淋巴细胞比率 (PLR) 的时间变化可以预测治疗后头癌复发. 一个深度神经网络 (DNN) 模型有效地使用这些值识别了复发,优于传统方法.
科学领域:
- 在瘤学瘤学.
- 生物统计学 生物统计学
- 医疗信息学 医疗信息学
背景情况:
- 中性粒细胞与淋巴细胞的比率 (NLR) 和血小板与淋巴细胞的比率 (PLR) 是已确定的头癌的预后标志物.
- 癌症复发治疗后NLR和PLR时间变化的预后价值仍然未被探索.
研究的目的:
- 开发一种深度神经网络 (DNN) 模型,以基于时间NLR和PLR值的同时化学放射治疗 (CCRT) 后预测头癌复发.
- 将DNN模型的性能与传统机器学习 (ML) 模型进行比较.
主要方法:
- 使用了778名头癌患者的数据集,这些患者接受了CCRT治疗.
- 通过使用16个输入特征训练DNN模型,包括时间NLR和PLR值,以及后勤回归,随机森林和梯度增强模型.
- 用递归特征消除 (RFE) 来进行特征选择,并利用数据增强.
主要成果:
- 与传统的ML模型相比,DNN模型显示出更高的性能 (ROC-AUC: 0.828,PR-AUC: 0.663).
- 使用RFE特征选择的DNN模型实现了更高的性能 (ROC-AUC: 0.883,PR-AUC: 0.778),并且通过数据增强进一步改进.
- 外部验证证实了DNN-RFE模型的稳定性 (ROC-AUC:0.784).
结论:
- 一个DNN模型包含时间NLR和PLR值,并与RFE进行优化,有效地预测CCRT后头癌患者的复发.
- 数据增强提高了模型性能,而开发的模型显示出在复发监测中临床应用的前景.
