机器学习预后模型的开发,以预测淋巴结阳性前列腺癌患者的整体生存率

科学领域:

• 在瘤学瘤学.
• 生物统计学 生物统计学
• 医疗信息学 医疗信息学

背景情况:

• 淋巴结参与 (LNI) 的前列腺癌 (PCa) 患者代表具有可变预后的高风险组.
• 以前的PCa与LNI的预后模型主要集中在经过前列腺切除术 (RP) 的患者身上,并依赖统计方法.

研究的目的:

• 使用机器学习 (ML) 算法,为患有LNI的PCa患者开发可访问的个人生存预测工具.
• 将ML模型的性能与传统的考克斯回归进行比较,以预测整体存活率 (OS).

主要方法:

• 利用了来自SEER数据库 (2000-2019) 的3280名PCa患者的LNI数据.
• 开发并比较使用渐变增强生存分析 (GBSA),随机生存森林 (RSF) 和额外生存树 (EST) 对考克斯回归的预后模型.
• 评估模型歧视与时间依赖的AUC和一致性指数 (c-指数),并校准与时间依赖的Brier分数 (BS) 和集成的Brier分数 (IBS).
• 采用SHAP进行可变贡献分析,并使用表现最佳的GBSA模型开发了一个基于Web的工具.

主要成果:

• 与考克斯回归相比,ML模型 (GBSA,RSF,EST) 显示出优异的歧视,平均时间依赖的AUC分别为0.782,0.779和0.781,而考克斯回归的AUC为0.770.
• 所有模型都表现出可比且有利的校准,低IBS值表明了这一点.
• 九个关键变量包括年龄,种族,婚姻状况,T阶段,PSA,格里森得分,淋巴结状况,RP和RT被确定为重要的预测因素.

结论:

• 机器学习算法在预测LNIPCa患者的存活率方面优于Cox回归.
• 一个用户友好的基于网络的预测工具已经开发出来,以帮助临床医生在这些患者的治疗和后续计划.