基于深度学习的预测模型的开发,用于胃肠道 stromal 瘤的预后预测:基于 SEER 的研究

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 生物信息学是一种生物信息学.

背景情况:

• 准确的预后预测对于胃肠道筋瘤 (GIST) 患者管理至关重要.
• 现有的分期系统可能无法完全捕捉个体患者的风险.
• 深度学习为瘤学中增强的预测建模提供了潜力.

研究的目的:

• 开发和评估用于预测GIST患者生存的深度学习模型.
• 将深度学习模型的性能与 AJCC 阶段化等传统方法进行比较.
• 为GIST预后和风险分层创建一个临床上有用的工具.

主要方法:

• 利用监测,流行病学和最终结果 (SEER) 数据库对4538名GIST患者的队列.
• 开发并比较了三个模型:考克斯回归,随机生存森林 (RSF) 和DeepSurv.
• 使用c指数,Brier分数,AUC,校准,净重新分类指数 (NRI) 和综合歧视改进 (IDI) 评估模型性能.

主要成果:

• DeepSurv模型表现出高c指数 (0.825) 和AUC值 (例如,1年后的0.898) 的优异性能.
• 基于深度学习的风险分层显著超过了基于NRI和IDI的AJCC分阶段系统 (P < 0.001).
• 校准图片证实了DeepSurv预测与实际结果之间的良好一致.

结论:

• 深度学习,特别是DeepSurv模型,为GIST患者生存预测提供了高性能方法.
• 与AJCC分阶段系统相比,开发的风险分层工具提供了更好的临床效用和歧视.
• 创建了一个互动的基于Web的工具,以促进GIST患者个性化的预后预测.