机器学习模型的开发和外部验证,用于预测 extremity leiomyosarcoma 的生存率

科学领域:

• 在瘤学瘤学.
• 机器学习 机器学习
• 生物统计学 生物统计学

背景情况:

• 机器学习 (ML) 模型在预测各种类型的瘤亚型中的癌症存活率方面表现有前途.
• 极端肌肉肉瘤 (LMS) 的生存预测尚未使用ML方法进行广泛研究.
• ML提供了一种强大的途径,用于改善极端LMS的预后.

研究的目的:

• 开发和验证机器学习模型,用于预测极端肌肉肉瘤 (LMS) 的存活率.
• 调查ML在改善末端LMS预后方面的潜力.
• 让表现最好的ML模型公开可用,以便更广泛地使用.

主要方法:

• 使用了监测,流行病学和最终结果 (SEER) 数据库对634个极端LMS病例.
• 开发了ML模型,根据患者,瘤和治疗特征预测1年,3年和5年的生存期.
• 外部验证了表现最好的ML模型,使用了46名四肢LMS患者的机构队列.

主要成果:

• ML模型在1年内表现最佳,在5年生存预测时表现低下.
• 在SEER队列内进行的内部验证,在5年内产生了0.75-0.76的c-统计数据.
• 随机森林 (RF) 模型在外部验证中实现了0.90 (1年) 和0.87 (5年) 的c统计,显示了良好的校准.

结论:

• 机器学习模型在预测四肢LMS的存活率方面表现出色.
• 开发的射频模型是LMS预后的宝贵工具.
• 与更大的机构队列进行进一步验证可能会提高ML模型对LMS预后的实用性.