一个机器学习的歧视模型,以避免早期胃癌的胃切除术
Tsutomu Hayashi1, Ken Takasawa2,3, Takaki Yoshikawa1
1Department of Gastric Surgery National Cancer Center Hospital Tokyo Japan.
Annals of gastroenterological surgery
|November 6, 2023
概括
这项研究开发了一种机器学习模型,以识别早期胃癌 (EGC) 患者没有淋巴结转移 (LNM) 风险,从而可能避免不必要的手术. 该模型准确地选择了不需要额外治疗的患者,确保没有错过LNM病例.
科学领域:
- 在瘤学瘤学.
- 手术瘤学手术瘤学
- 机器学习在医学中的应用
背景情况:
- 胃切除术是早期胃癌 (EGC) 的标准,原因是潜在的淋巴结转移 (LNM).
- 准确预测LNM对于EGC手术决策至关重要.
- 确定可以安全避免手术的EGC患者是一个重要的临床需求.
研究的目的:
- 开发和验证基于机器学习的歧视模型.
- 为了识别pT1b EGC患者,不需要额外的手术.
- 为了在模型的预测中实现淋巴结转移 (LNM) 的零假负值.
主要方法:
- 在382名患者 (发展队列) 的临床和病理数据上使用XGBoost算法.
- 在140名接受内镜切除,随后进行胃切除的患者中验证了该模型.
- 通过对LNM的真负分类来评估性能,并严格遵守没有虚假负的政策.
主要成果:
- 淋巴结转移 (LNM) 在25%的发育队列和8%的验证队列中存在.
- 该模型确定7%的开发队列和9%的验证队列没有进一步手术的迹象.
- 重要的是,在任何一个队列中,没有任何LNM患者被错误地归类为LNM阴性.
结论:
- 基于XGBoost的歧视模型有效地识别了pT1b EGC患者,LNM的风险可以忽略不计.
- 这种模型有望改善临床决策,可能减少EGC的过度治疗.
- 该模型能够确保LNM没有假阴性,这支持其安全临床应用的潜力.
