基于机器学习的预测,使用临床病理学数据远程复发的侵入性乳腺癌:一个跨机构研究

科学领域:

• 在瘤学瘤学.
• 生物统计学 生物统计学
• 机器学习 机器学习

背景情况:

• 乳腺癌是全球最常见的癌症,大约30%的病例在治疗后远程复发.
• 远程复发在特定亚型中更为普遍,例如侵袭性乳腺癌 (IBC).
• 目前对IBC远程复发的预测方法依赖于临床病理学测量,但不将机器学习与治疗前后评估相结合.

研究的目的:

• 评估机器学习 (ML) 模型在预测侵袭性乳腺癌 (IBC) 患者远程复发中的有效性.
• 结合IBC瘤的临床病理评估 (治疗前和后) 与ML技术,以提高预测准确度.
• 识别关键的临床病理学测量,显著影响远程复发的预测.

主要方法:

• 训练并测试了四个ML模型 (随机森林,C支持向量分类器,多层感知子,逻辑回归) 使用来自144名训练和17名测试患者的临床病理数据.
• 在8名患者的外部数据集上验证了表现最佳的模型.
• 包括病理阶段 (瘤和淋巴结),治疗反应 (成像) 和辅助治疗状态作为预测特征.

主要成果:

• 随机森林模型表现出卓越的性能,在测试组中实现曲线下的面积 (AUC) 为1.0,在验证组中为0.75 (p < 0.002).
• 该模型显示了杜克大学和达特斯希奇科克医疗中心数据集的跨机构可移植性和有效性.
• 瘤对新辅助疗法的反应 (通过成像和病理学,包括瘤和节点分期) 是预测远程复发的最关键因素.

结论:

• 机器学习模型,特别是随机森林,可以有效地预测侵袭性乳腺癌 (IBC) 患者的远程复发.
• 将治疗前后临床病理数据与ML集成为IBC个性化风险评估提供了一个有希望的方法.
• 瘤对新辅助疗法的反应是预测IBC远期复发的关键决定因素,强调了早期治疗反应评估的重要性.