一个新的机器学习预测模型用于乳腺癌转移的转移
Huan Li1, Ren-Bin Liu1, Chen-Meng Long2
1Department of Thyroid and Breast Surgery, Third Affiliated Hospital of Sun Yat-sen University, Guangzhou, China.
Cancer reports (Hoboken, N.J.)
|March 1, 2024
概括
这项研究引入了一个新的机器学习模型来预测乳腺癌转移风险. 该模型使用常规临床数据准确识别高风险患者,改进治疗策略.
科学领域:
- 在瘤学瘤学.
- 生物统计学 生物统计学
- 机器学习 机器学习
背景情况:
- 乳腺癌 (BC) 转移是死亡的主要原因.
- 传统的预后方法往往无法准确预测转移风险.
- 机器学习为克服传统模型的局限性提供了一个有希望的替代方案.
研究的目的:
- 开发和验证用于预测乳腺癌转移的机器学习模型.
- 用常规临床数据确定转移的关键预测变量.
主要方法:
- 使用随机生存森林 (RSF) 方法进行模型开发.
- 采用RSF递归特征消除来识别预测变量.
- 通过使用接收器操作特征曲线 (AUROC) 下面的面积,卡普兰-梅尔生存分析,C指数和Brier分数来验证模型.
主要成果:
- 开发了一个转移预测模型,使用三个变量:病理阶段,阿斯巴酸胺转移酶和中性粒细胞计数.
- 该模型表现出可靠和稳定的性能,具有高的AUROC值 (0.932培训,0.905验证).
- 通过C指数 (0.959) 和布赖尔评分 (0.097) 证实了强大的预测能力.
结论:
- 开发的模型使用现有临床数据准确预测乳腺癌转移.
- 这种具有成本效益的工具可以增强针对个性化患者治疗的临床决策.
- 促进改善风险沟通和精确的治疗规划,为乳腺癌患者.
更多相关视频
08:32Using Computer-based Image Analysis to Improve Quantification of Lung Metastasis in the 4T1 Breast Cancer Model
Published on: October 2, 2020
6.3K
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.2K
