使用机器学习对低度质瘤患者的手术选择进行推理和因果推断:基于SEER的研究

科学领域:

• 神经瘤学神经瘤学
• 人工智能在医学中的应用
• 手术瘤学手术瘤学

背景情况:

• 低度结质瘤 (LGGs) 由于其异质性和有限的高级证据,因此存在治疗挑战.
• 对于LGG,切除的最佳程度 (EOR),特别是亚总切除 (STR) 与总总切除 (GTR),仍然存在争议.
• 识别影响治疗反应的因素对于个性化患者护理至关重要.

研究的目的:

• 为了确定个人低度质瘤 (LGG) 患者的最佳手术策略 (STR vs. GTR).
• 确定导致LGG治疗异质性的患者特异性因素.
• 利用人工智能在神经瘤学中提供个性化治疗建议.

主要方法:

• 从SEER数据库中使用深度学习 (DL) 方法对LGG患者的治疗建议.
• 进行因果推断以估计与STR相比GTR的平均治疗效果 (ATE).
• 根据模型建议和实际接受的治疗之间的一致性,分析了患者组.

主要成果:

• 接受与DL建议一致的治疗的患者表现出脑癌特异性生存率 (BCSS) 的改善.
• 鉴定出不同的 LGG 患者子组,对 STR 和 GTR 呈现异质反应.
• 模型解释揭示了与观察到的治疗异质性相关的众多变量.

结论:

• 这项研究开创了使用深度学习来推断个体治疗效果和指导LGG手术决策的先驱.
• 因果推断证实了LGG患者对STR和GTR的异质治疗反应的存在.
• 影响治疗异质性的已识别的因素需要进一步研究以获得临床应用.