使用机器学习预测乳腺癌骨转移的诊断和存活率
Xugang Zhong1,2, Yanze Lin2, Wei Zhang3,4
1Center for Rehabilitation Medicine, Cancer Center, Department of Orthopedics, Zhejiang Provincial People's Hospital Affiliated to Qingdao University, Qingdao, Shandong, People's Republic of China.
Scientific reports
|October 25, 2023
概括
机器学习模型准确地预测乳腺癌骨转移的诊断和存活率. XGBoost表现出卓越的性能,将手术和N阶段确定为治疗决策的关键因素.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
背景情况:
- 骨转移是乳腺癌的重要并发症,影响患者的预后和治疗策略.
- 准确预测骨转移和患者存活率对于有效的临床决策至关重要.
- 现有的预测模型可能缺乏最佳患者管理所需的精度.
研究的目的:
- 开发和验证先进的机器学习模型,用于预测骨转移性乳腺癌 (BCBM) 的诊断和预后.
- 确定影响BCBM发展和患者生存的关键风险和预后因素.
- 为临床医生提供强大的决策工具来管理BCBM患者.
主要方法:
- 从监测,流行病学和最终结果 (SEER) 数据库 (2010-2016) 中对乳腺癌患者的回顾性分析.
- 使用多变量逻辑回归来识别风险因素,使用Cox比例危险回归来进行预后因素分析.
- 开发并评估了6个机器学习分类器,包括XGBoost,使用AUC,学习曲线和决策曲线分析等指标.
主要成果:
- 机器学习模型,特别是XGBoost,在预测BCBM诊断 (AUC=0.98) 和预后 (AUC=0.88) 中取得了很高的准确性.
- 诊断的关键预测因素包括手术,N阶段和肝转移;对于预后,手术,肝转移和肺转移至关重要.
- 发现骨转移与诸如年龄,种族,学年级,瘤阶段和治疗方式等因素之间存在显著的关联.
结论:
- XGBoost算法提供了一种强大而准确的工具,用于预测乳腺癌骨转移诊断和患者存活率.
- 识别手术和转移部位等关键特征可以为BCBM制定更有针对性的治疗策略.
- 这些预测模型可以显著提高临床决策和改善乳腺癌患者骨转移的结果.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
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
