机器学习模型的验证,以预测头部和部状细胞癌的免疫治疗反应

科学领域:

• 在瘤学瘤学.
• 翻译医学是一种翻译医学.
• 生物信息学是一种生物信息学.

背景情况:

• 头部和部状细胞癌 (HNSCC) 经常复发或转移,导致预后不佳.
• 免疫检查点阻塞 (ICB) 提供了更好的结果,但预测患者的反应仍然具有挑战性.
• 目前用于HNSCC的ICB反应的生物标志物具有有限的预测准确性.

研究的目的:

• 验证一种机器学习 (ML) 工具,用于预测ICB响应,特别是在复发性和/或转移性 (R/M) HNSCC.
• 根据生存结果评估ML工具对R/M HNSCC患者分层的能力.
• 为以前开发的泛癌ML模型建立癌症类型特定的验证.

主要方法:

• 使用R/M HNSCC患者的临床,实验室和基因组数据验证随机森林ML模型.
• 使用接收器操作特征曲线 (AUC) 下面的面积来评估该模型对瘤反应的预测性能.
• 通过使用危险比率 (HR) 来评估模型根据整体存活率 (OS) 和无进展存活率 (PFS) 对患者分层的能力.

主要成果:

• 该ML工具证明了瘤反应的足够预测能力,AUC为0.65.
• 该模型通过总生存率 (HR = 0.53,p = 0.045) 和无进展生存率 (HR = 0.49,p = 0.016) 来显著分层患者.
• 在这个HNSCC队列中,ML预测器的整体准确性为0.72.

结论:

• 这项研究首次验证了一种ML工具,用于预测R/M HNSCC中的ICB反应.
• 经过验证的ML预测器显示出有希望的性能和在HNSCC.临床决策的潜力.
• 需要进一步的多机构研究来证实这种ML算法在更大的患者队列中的通用性.