使用整体机器学习模型预测肺状腺癌特异性生存率
Kaide Xia1, Dinghua Chen2, Shuai Jin3
1Guiyang Maternal and Child Health Care Hospital, Guiyang Children's Hospital, Guiyang, China.
Scientific reports
|September 8, 2023
概括
这项研究开发了机器学习模型,以预测肺 papillary 腺癌 (LPADC) 的癌症特异性生存率. 随机生存森林和渐变增强生存等合体模型显示出针对个性化治疗和预后的卓越准确性.
科学领域:
- 在瘤学瘤学.
- 生物统计学 生物统计学
- 计算生物学 计算生物学
背景情况:
- 准确的预后预测对于指导肺 papillary 腺癌 (LPADC) 的治疗决策至关重要.
- 现有的预后模型可能需要改进,以实现个性化的患者护理.
- 机器学习为复杂的生存数据分析提供先进的工具.
研究的目的:
- 开发和评估集合机器学习和考克斯回归模型,用于预测LPADC中的癌症特异生存率.
- 使用定量指标比较不同预后模型的性能.
- 提供一个基于网络的工具,用于可访问的生存预测和治疗建议.
主要方法:
- 利用了3615名LPADC患者的监测,流行病学和最终结果 (SEER) 数据库 (2004-2018) 的数据.
- 开发了使用梯度增强生存 (GBS),随机生存森林 (RSF),额外生存树 (EST) 和考克斯比例危险 (CoxPH) 回归的预后模型.
- 使用哈雷尔一致性指数 (C指数),集成的布里尔得分 (IBS) 和时间依赖的AUC评估模型性能,与7:3的培训验证分割.
主要成果:
- 所有四种模型 (EST,RSF,GBS,CoxPH) 在培训和验证队伍中都表现出良好的区分能力和校准.
- 组合模型,特别是RSF和GBS,与CoxPH相比,在预测长期存活方面表现出更好的一致性.
- 关键性能指标 (时间依赖的AUC>0.84,C指数>0.79,IBS<0.16) 证实了模型的有效性.
结论:
- 整体机器学习模型,特别是RSF和GBS,对于预测LPADC患者长期癌症特异性生存率非常有效.
- 这些经过验证的模型可以通过Web应用程序访问,可以帮助开发个性化治疗策略并提高预后准确性.
- 这项研究突出了LPADC精密瘤学先进计算方法的潜力.
