自动机器学习用于预测胃肠道 stromal 瘤患者的肝转移:基于 SEER 的分析
Luojie Liu1, Rufa Zhang1, Ying Shi1
1Department of Gastroenterology, Changshu Hospital Affiliated to Soochow University, Suzhou, China.
Scientific reports
|May 30, 2024
概括
机器学习模型可以预测胃肠道 stromal 瘤 (GISTs) 的肝转移. 梯度增强机 (GBM) 模型表现最好,确定瘤大小和位置是个性化治疗的关键预测因素.
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:
- 胃肠道 stromal 瘤 (GIST) 是一种罕见的瘤.
- 肝转移 (LIM) 显著恶化了GIST患者的预后.
- 预测LIM对于有效的GIST治疗策略至关重要.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于预测GIST患者的肝转移 (LIM).
- 帮助临床医生做出明智的治疗决策,治疗潜在的肝转移的GIST.
- 为了比较传统物流回归 (LR) 与自动机器学习 (AutoML) 方法的性能.
主要方法:
- 对SEER数据库 (2010-2017) 的回顾性分析.
- 使用逻辑回归 (LR),梯度提升机 (GBM),深度神经网络 (DL) 和通用线性模型 (GLM) 开发预测模型.
- 使用AUC,校准曲线,决策曲线分析 (DCA),特征重要性,SHAP和LIME进行模型性能评估.
主要成果:
- 在训练,验证和测试集中,GBM模型表现出最高的性能 (AUC:0.805,0.780,0.795).
- 与其他AutoML模型 (0.747,0.700,0.706) 相比,GBM实现了更高的精度.
- 瘤大小和位置被确定为GIST患者LIM最重要的预测因素.
结论:
- 自动机器学习 (AutoML) 模型,特别是GBM,可以有效地预测GIST患者肝转移的风险.
- 开发的GBM模型为临床医生提供了一个有价值的工具,可以创建个性化的治疗计划.
- 准确预测LIM风险可以改善GIST患者的治疗结果和管理策略.
