在结直肠癌中预测肝脏和/或肺转移的机器学习:基于SEER数据库的回顾性研究

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:

• 结肠直肠癌 (CRC) 在全球范围内构成重大健康负担.
• 预测CRC患者肝脏和/或肺转移的风险对于及时干预至关重要.
• 现有的预测方法可能缺乏最佳患者管理所需的精度.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测结直肠癌 (CRC) 中肝脏和/或肺转移的风险.
• 确定与转移风险相关的关键临床病理特征.
• 创建一个用户友好的工具,用于临床决策支持.

主要方法:

• 利用国家卫生研究院 (NIH) 监测,流行病学和最终结果 (SEER) 数据库 (2010-2015) 进行模型开发,包括51,265名CRC患者.
• 开发和评估了七个ML算法,重点是准确性,曲线下的面积 (AUC) 和精度召回曲线下的面积 (AUPR).
• 在北京电力医院的196名CRC患者的外部数据集上验证了表现最佳的模型.

主要成果:

• 该研究分析了51,265名CRC患者,其中15.3%患有远程肝脏和/或肺转移.
• 随机森林 (RF) 模型表现出卓越的预测性能,内部准确度为0.895和AUC为0.956.
• 外部验证证实了RF模型的稳定性,达到0.913的精度和0.912.9的AUC.

结论:

• 一个基于射频的ML模型已成功开发,用于预测结直肠癌患者肝脏和/或肺转移的风险.
• 开发的模型和相关的计算器可以帮助临床医生做出明智的治疗决策.
• 这种预测工具通过识别转移的高风险个体来增强CRC的管理.