基于机器学习的存活预测,用于术后的膜粘膜皮质瘤癌的诺米克图
Zongwei Huang1, Zihan Chen1, Ying Li1
1Fujian Medical University Cancer Hospital, Fujian Cancer Hospital, Fuzhou, China.
Scientific reports
|April 1, 2024
概括
机器学习模型可以准确地预测膜粘膜皮质瘤 (P-MEC) 患者的整体存活率. 这些先进的模型确定了关键的预后因素,改善了针对这种复杂的唾液腺癌的个性化治疗策略.
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:
- 侧膜粘膜皮质癌 (P-MEC) 呈现出显著的异质性,限制了目前针对个性化治疗的临床模型.
- 准确的预后对于优化P-MEC患者管理至关重要.
研究的目的:
- 评估机器学习算法的预测性能与预测P-MEC患者整体存活率 (OS) 的传统方法相比.
- 确定影响P-MEC中OS的关键预后因素.
主要方法:
- 来自SEER数据库的882名术后P-MEC患者 (I-IVA阶段) 的分析.
- 考克斯回归与四种机器学习算法 (随机森林,LASSO,XGBoost,最佳子集回归) 的比较用于变量选择和模型优化.
- 使用引导重新抽样,C指数,时间依赖ROC曲线,校准曲线和决策曲线分析 (DCA) 的验证.
主要成果:
- 该研究确定了分别为0.887,0.841和0.753的3年,5年和10年的生存率.
- XGBoost,最佳子集回归 (BSR) 和 LASSO 显示出优异的预测效率.
- 确定了七个关键的预后因素:年龄,病理等级,T阶段,N阶段,放射治疗,化疗和婚姻状况.
- 一个开发出来的诺姆图实现了高的预测准确性 (例如,5年C指数:0.8557,AUC:0.8879).
结论:
- 与P-MEC的传统方法相比,基于机器学习的预测模型提供了更高的预测准确度和更好的变量重要性可视化.
- 这些发现强调了术后放射治疗的临床意义,并为个性化风险分层和治疗规划提供了有价值的工具.
