在基于机器学习的乳腺癌患者中预测非辛丁尔淋巴结转移

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 机器学习应用 机器学习应用

背景情况:

• 准确预测非辛丁尔淋巴结转移 (NSLNM) 对乳腺癌患者的管理至关重要.
• 识别患有NSLNM的患者有助于治疗规划,并减少了对广泛淋巴结解剖的需要.

研究的目的:

• 开发和比较机器学习 (ML) 模型,用于预测乳腺癌中的NSLNM.
• 为准确的NSLNM预测确定最佳的ML模型.

主要方法:

• 从2016年6月到2022年8月,对1005名乳腺癌患者进行了回顾性分析.
• 实施和比较六个ML模型,包括后勤回归和XGBoost.
• 使用单变量和多变量逻辑回归分析和10倍交叉验证的性能评估.

主要成果:

• 在33.6%的研究队列中,发现了非素淋巴结转移 (NSLNM).
• XGBoost ML模型实现了最高的性能,平均曲线下面积 (AUC) 为0.722.
• 与基于逻辑回归的名图相比,XGBoost表现出更好的预测能力 (AUC 0.764与0.706).

结论:

• XGBoost机器学习模型显示了在乳腺癌患者中准确预测NSLNM的巨大潜力.
• 这种ML方法提供了一个有前途的工具,以提高乳腺癌分期和治疗的临床决策.