深度学习模型用于预测胃癌患者的术后生存率

科学领域:

• 在瘤学瘤学.
• 手术瘤学手术瘤学
• 生物统计学 生物统计学

背景情况:

• 准确的预后预测对于指导胃癌手术治疗决策至关重要.
• 现有的模型可能无法完全捕捉胃癌手术后患者结果的复杂性.

研究的目的:

• 开发和验证可靠的生存模型,用于预测术后胃癌患者的结果.
• 将新型模型的性能与AJCC等既有分期系统进行比较.

主要方法:

• 从SEER数据库中使用了大量队列 (11,075名患者) 来进行模型培训和内部验证.
• 开发并比较了考克斯回归,随机生存森林 (RSF) 和DeepSurv模型.
• 使用单独的中国队列 (122名患者) 外部验证了最佳模型,并通过c指数,Brier分数,AUC,校准,DCA,NRI和IDI评估了性能.

主要成果:

• 对于整体生存预测,DeepSurv模型实现了高c指数 (0.787) 和AUC值 (0.781-0.868).
• DeepSurv的表现优于考克斯回归和RSF模型,校准良好,Brier分数低.
• 使用DeepSurv的风险分层在测试和验证队列中的AJCC分阶段上显著改善 (P <0.05).

结论:

• 一个基于DeepSurv的高性能预测模型已成功开发用于术后胃癌预后.
• 该模型为患者特异性风险分层和临床决策提供了显著的好处.
• 创建了一个交互式网络工具,以促进这种生存预测模型的实际应用.