机器学习模型的开发和外部验证,用于预测未分化形肉瘤的生存率

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 数据科学数据科学数据科学

背景情况:

• 机器学习 (ML) 算法在预测各种类型的瘤亚型的癌症存活率方面显示出潜力.
• 在此之前,未经区分的多形肉瘤 (UPS) 尚未使用ML进行生存预后的研究.
• ML提供了一种强大的方法来提高UPS的预后准确性.

研究的目的:

• 开发和验证机器学习模型,用于预测无差异化形肉瘤 (UPS) 的1年,3年和5年生存率.
• 评估ML模型在预测UPS患者预后方面的性能.
• 为了使性能最好的ML模型公开使用,以便更广泛地使用.

主要方法:

• 利用监测,流行病学和最终结果 (SEER) 数据库 (n=665) 进行初始模型开发.
• 从SEER数据库收集患者,瘤和治疗特征.
• 使用机构UPS队列 (n=151) 外部验证最佳ML模型.

主要成果:

• ML模型在1年的生存预测中表现最好,在5年的生存预测中表现最差.
• 内部验证 (SEER队列) 显示5年后c-统计值为0.67-0.69.
• 外部验证 (机构队列) 显示了多层感知神经网络 (MLP) 模型的强大性能,其c统计值为0.85 (1年) 和0.81 (5年),并进行了良好的校准.
• 在https://rachar.shinyapps.io/ups_app/.上可以访问MLP模型.

结论:

• 机器学习模型在未分化形肉瘤 (UPS) 的生存预测中是有效的.
• 与其他类型的肉瘤亚型相比,UPS可能会对预后带来更大的挑战.
• 建议进行进一步的验证研究,以巩固ML在UPS预后中的实用性.