机器学习方法用于准确预测存活率和指导治疗在I和II期肝细胞癌的治疗

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 数据科学数据科学数据科学

背景情况:

• 准确的生存预测对于早期肝细胞癌 (HCC) 患者管理至关重要.
• 现有的预后模型可能无法完全捕获复杂的患者数据,以获得最佳的治疗决策.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测早期HCC患者的存活率.
• 根据ML预测,提供针对手术和化疗的个性化治疗建议.

主要方法:

• 利用SEER数据库对患者人口统计,瘤特征和来自1136名早期HCC患者的治疗数据.
• 采用Cox比例危险 (CoxPH) 模型和ML算法:神经网络多任务后勤回归 (N-MLTR),DeepSurv和随机生存森林 (RSF).
• 使用一致性指数 (C指数) 和综合障碍得分 (IBS) 评估模型性能,通过考克斯回归选择特征.

主要成果:

• 与CoxPH模型 (C-index=0.6696) 相比,ML模型 (DeepSurv:C-index=0.7028) 显示出更好的生存预测.
• 接受ML推治疗的患者的生存率更高.
• 用ML指导的手术建议显著改善了DeepSurv和RSF模型的生存率 (HR <0.37),化学疗法建议改善了DeepSurv和RSF模型的生存率 (HR <0.66).

结论:

• 开发的ML模型为早期HCC提供了更高的预后准确性.
• 来自ML模型的个性化治疗建议可以指导手术和化疗的临床决策.
• 这种新的方法有可能改善患者的治疗结果,并为HCC的治疗策略提供信息.