一个基于机器学习的模型,用于预测直肠癌患者的远程转移

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 在直肠癌中,远程转移显著降低了生存率和生活质量.
• 早期识别高风险患者对于及时干预至关重要.
• 预测模型可以帮助分层患者进行个性化治疗策略.

研究的目的:

• 开发和验证一种机器学习模型,用于预测直肠癌中远程转移风险.
• 确定与远程转移相关的关键临床病理因素.
• 为临床应用创建一个用户友好的网络计算器.

主要方法:

• 在SEER数据库队列 (23,867名患者) 上使用了八种机器学习算法,并在中国医院队列 (1178名患者) 上进行了外部验证.
• 使用随机搜索和十倍交叉验证进行超参数调整.
• 使用AUC,AUPRC,决策曲线分析,校准曲线,精度和准确度评估模型性能. 使用SHAP值的解释模型.

主要成果:

• 确定年龄,分化程度,T阶段,N阶段,CEA,瘤沉积物,围神经侵入,瘤大小,辐射和化疗作为独立的风险因素.
• 极端梯度增强 (XGB) 模型表现出卓越的性能,在内部测试集中达到0.855的AUC,在外部验证集中达到0.814.
• 基于验证的XGB模型,成功开发了一个网络计算器.

结论:

• 开发的XGB模型准确地预测了直肠癌患者远程转移的风险.
• 这个模型,集成到一个网络计算器,可以帮助医生在临床决策.
• 这些发现支持在直肠癌管理中使用机器学习进行风险分层.