基于机器学习的算法,用于使用成像,手术和病理数据对低直肠腺癌的局部复发和转移进行增强预测

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 手术瘤学手术瘤学

背景情况:

• 结直肠癌复发和转移风险受到许多因素的影响.
• 机器学习 (ML) 提供了精细风险分层和直肠癌治疗决策的潜力.
• 局部发达的低直肠腺癌需要精确预测后补充疗法和手术后的结果.

研究的目的:

• 评估四种ML模型对局部复发或远程转移的预测性能.
• 为了比较决策树 (DT),天真湾 (NB),支持向量机 (SVM) 和随机森林 (RF) 模型.
• 确定最佳的ML算法,用于预测直肠癌患者的不良瘤结果.

主要方法:

• 在2019年11月至2023年7月期间接受治疗的局部晚期低直肠腺癌患者的回顾性分析.
• 使用图像学,手术和病理学数据应用DT,NB,SVM和RF模型.
• 对疾病复发和远程转移的预测性能的评估.

主要成果:

• 随机森林 (RF) 证明了复发 (90.85%) 和远程转移 (89.63%) 的最高预测准确度.
• 支持矢量机 (SVM) 显示出强的表现,复发的准确率为87.8%,转移的准确率为87.2%.
• 原始贝叶斯 (NB) 和决策树 (DT) 模型表现出适度的预测能力.

结论:

• 像RF和SVM这样的复杂的ML算法可以显著提高不良瘤结果的预测.
• 这些模型有望改善低直肠腺癌患者的风险分层.
• 基于ML的预测可以帮助优化直肠癌的治疗策略.