实验室血液参数和机器学习用于食道状细胞癌的预后

科学领域:

• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 机器学习 机器学习

背景情况:

• 食道状细胞癌 (ESCC) 需要先进的预后工具来管理患者.
• 目前对ESCC的预测方法需要提高精度和速度.

研究的目的:

• 为ESCC患者创建和验证机器学习 (ML) 驱动的预后模型.
• 整合实验室血液参数和临床数据,以提高预后准确度.

主要方法:

• 在2521名ESCC患者的数据集上使用了渐变增强机器 (GBM),随机生存森林 (RSF) 和考克斯方法.
• 使用一致性指数 (C指数) 和时间依赖的接收器运行特征 (时间ROC) 曲线评估的模型.
• 使用风险分层和卡普兰-梅尔曲线进行生存分析并与AJCC8分期进行比较.

主要成果:

• 该RSF模型显示出优异的性能 (C指数为0.746,3年AUC为0.761,5年AUC为0.771).
• 确定了14个关键的预后特征,包括N阶段,T阶段和MCH水平.
• 该模型有效地区分了低风险 (例如,5年生存率69.8%) 和高风险 (例如,5年生存率11.5%) 的患者群体,表现优于AJCC8分期.

结论:

• 利用临床和实验室血液数据,为ESCC开发了一种高性能预后模型.
• 与AJCC8系统相比,ML模型提供了增强的区分和分阶段能力.