处罚深度部分线性 Cox 模型,并应用于肺癌患者的 CT 扫描
Yuming Sun1, Jian Kang2, Chinmay Haridas3
1Department of Mathematics, William & Mary, Williamsburg, VA 23185, United States.
Biometrics
|February 27, 2024
概括
我们开发了一种新的模型,使用CT扫描纹理分析来预测肺癌死亡率. 这种方法改善了风险预测,并确定了影响患者生存的关键因素.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 生物统计学 生物统计学
背景情况:
- 肺癌是全球主要的死亡原因之一.
- 准确的风险评估对于以患者为中心的肺癌疗法至关重要.
- 计算机断层扫描 (CT) 纹理分析为风险量化提供客观测量.
研究的目的:
- 为肺癌生存率分析开发一个先进的统计模型.
- 在风险预测中有效地整合临床变量和新型成像特征.
- 在生存模型中解决高维数据的挑战.
主要方法:
- 提出了一个新的惩罚深度部分线性考克斯模型 (惩罚DPLC).
- 使用顺剪切的绝对偏差 (SCAD) 处罚来进行特征选择.
- 使用深度神经网络来估计模型的非参数组件.
- 通过广泛的模拟研究和对国家肺部查试验 (NLST) 数据集的应用来验证该模型.
主要成果:
- 处罚DPLC模型在风险预测和特征选择方面表现强.
- 确定了关键的临床和CT纹理特征,显著影响肺癌患者的生存率.
- 该模型有效地处理高维参数组件和非参数部分的维度的诅咒.
结论:
- 拟议的惩罚性DPLC模型为肺癌存活率分析提供了一个强大的工具.
- 这种方法通过整合不同类型的数据来增强对死亡风险的理解.
- 这些发现为开发更有效,以患者为中心的肺癌治疗提供了宝贵的见解.


