一个基于临床标记的建模框架,用于在术前预测淋巴结和血管空间参与子宫内膜癌患者

科学领域:

• 在瘤学瘤学.
• 机器学习在医学中的应用
• 妇科瘤学 妇科瘤学

背景情况:

• 子宫内膜癌 (EC) 具有显著的死亡风险,特别是在晚期.
• 识别淋巴结转移 (LNM) 和淋巴血管空间入侵 (LVSI) 等预后因素对于治疗规划至关重要.
• 对LNM进行手术前风险分层可以优化手术管理和患者预后.

研究的目的:

• 实施一套机器学习模型,用于预测EC患者的LVSI,LNM和疾病阶段.
• 为了评估癌症抗原125 (CA125) 与临床和组织学数据相结合的疗效,用于术前风险评估.
• 通过准确预测EC进展,提高手术规划和患者的结果.

主要方法:

• 对2000年至2015年间诊断的842名EC患者进行了回顾性分析.
• 使用集体机器学习方法,特别是堆叠的概括.
• 评估CA125,组织学类型,手术前等级和年龄作为LVSI,LNM和阶段的预测因素.

主要成果:

• 整体模型实现了LNM的AUROC_TEST 0.857和LVSI的0.750.
• 预测疾病的病期,AUROC_TEST值为0.665.5,可以预测疾病的病期.
• 在预测2级EC患者的LVSI (0.689) 和LNM (0.952) 中观察到高精度.

结论:

• 集成机器学习,使用CA125和临床数据,可以准确预测手术前的EC患者的LVSI,LNM和阶段.
• 这种方法为手术规划和子宫内膜癌的预后评估提供了宝贵的见解.
• 这些发现支持将机器学习模型纳入EC管理的常规临床实践.