通过基于机器学习的可解释风险模型识别残留胃癌的预后特征:多中心队列研究
Zhouwei Zhan1, Bijuan Chen2, Hui Cheng3
1Department of Medical Oncology, Clinical Oncology School of Fujian Medical University, Fujian Cancer Hospital, No. 420 Fuma Road, Fuzhou, Fujian, 350014, People's Republic of China.
BMC cancer
|April 30, 2024
概括
机器学习模型准确地预测了残留胃癌 (RGC) 患者的生存率. 影响五年生存的关键因素包括淋巴结比例,瘤阶段和转移,有助于临床决策.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 剩余的胃癌 (RGC) 在预测患者的结果方面提出了独特的挑战.
- 准确的生存预测对于有效的治疗计划和RGC患者管理至关重要.
研究的目的:
- 开发和验证残留胃癌 (RGC) 患者的个人生存预测模型.
- 利用多个机器学习 (ML) 算法来提高RGC的预后准确性.
主要方法:
- 从多个机构的286名RGC患者的临床病理学数据的回顾性分析.
- 使用九种不同的ML算法,通过严格的性能指标 (AUC,DCA,校准曲线) 验证的生存预测模型的开发.
- 应用夏普利添加式解释 (SHAP) 来解释表现最好的模型并确定关键预后因素.
主要成果:
- 与传统方法相比,基于ML的模型显示出更高的性能,大多数实现ROC AUC高于0.7.7.
- 决策曲线分析表明,这些模型有潜力改善临床决策和患者结果.
- SHAP分析确定了淋巴结比率,T阶段,瘤大小,切除边缘,围神经入侵和远程转移作为五年生存的重要预测因素.
结论:
- 该研究成功地建立了基于ML的准确和临床适用的预测模型,用于RGC患者的五年生存期.
- 这些模型为改善预后准确性和指导RGC管理中的治疗策略提供了重大潜力.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
06:46Competing-Risk Nomogram for Predicting Cancer-Specific Survival in Multiple Primary Colorectal Cancer Patients after Surgery
Published on: September 27, 2024
259
