开发和测试一种基于森林的随机机器学习模型,用于预测乳腺癌患者对新辅助化疗反应不佳的事件
Yudi Jin1,2, Ailin Lan1, Yuran Dai1
1Department of Breast and Thyroid Surgery, The First Affiliated Hospital of Chongqing Medical University, Chongqing, 400016, China.
European journal of medical research
|September 30, 2023
概括
机器学习模型可以预测乳腺癌 (BC) 治疗后的进展. 随机森林 (RF) 模型在识别患有复发或二次瘤风险的患者方面表现强.
科学领域:
- 在瘤学瘤学.
- 机器学习 机器学习
- 生物统计学 生物统计学
背景情况:
- 乳腺癌 (BC) 是全球领先的恶性瘤.
- 治疗后早期发现瘤进展对于患者的生存至关重要.
- 预测模型可以帮助在治疗后监测BC患者.
研究的目的:
- 开发和比较机器学习模型,用于预测BC患者在新辅助化疗 (NAC) 后的不良事件.
- 评估随机森林 (RF) 和后勤回归模型在预测瘤复发,二次恶性瘤或死亡方面的有效性.
主要方法:
- 在NAC之后,选择了患有稳定疾病 (SD) 或进展性疾病 (PD) 的BC患者.
- 使用了1年和5年队列的临床病理和生存数据.
- 开发并验证了RF和后勤回归模型,使用培训,测试和外部SEER数据库集来比较它们的性能.
主要成果:
- 与物流回归相比,RF模型在1年和5年队列中表现出优异的预测性能.
- 在内部验证中,RF模型实现了高AUC值 (例如,1年为0.810,5年为0.829).
- 外部验证证实了RF模型的稳定性,其AUC为0.779.
结论:
- 随机森林模型在预测乳腺癌患者的NAC后事件方面非常有效.
- 这种预测能力可以帮助临床医生识别患有瘤复发或其他不良结果高风险的患者.
- 该研究强调了机器学习在个性化癌症患者管理中的潜力.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.3K
