开发和验证一种临床乳腺癌工具,用于准确预测复发
Asim Dhungana1, Augustin Vannier1, Fangyuan Zhao2
1Pritzker School of Medicine, University of Chicago, Chicago, IL, USA.
NPJ breast cancer
|June 15, 2024
概括
机器学习模型使用定量生物标志物准确预测瘤型DX (ODX) 早期乳腺癌复发风险. 这可能有助于识别那些可以避免昂贵基因组测试并继续进行内分泌治疗的患者.
科学领域:
- 在瘤学瘤学.
- 基因组学就是基因组学.
- 机器学习 机器学习
背景情况:
- 瘤型DX (ODX) 基因组测试的高成本用于早期乳腺癌复发风险评估.
- 需要使用随时可用的临床病理变量进行成本有效的预测模型.
- 以前的模型使用了有限的患者队列.
研究的目的:
- 开发和验证机器学习模型,以使用定量临床病理学数据预测ODX得分.
- 评估这些模型在识别可能放弃基因组测试的低风险患者中的准确性.
- 为了比较具有和没有定量特征的模型的性能.
主要方法:
- 在来自国家癌症数据库 (NCDB) 的大量队列 (n=53,346) 上训练了机器学习模型.
- 使用的定量雌激素受体 (ER) /孕激素受体 (PR) /Ki-67状态,定量ER/PR状态和非定量特征.
- 在单独的队列 (n=970) 上对ODX预测和复发率进行外部验证的模型.
- 使用接收器操作特征曲线 (AUROC) 下面的面积来评估模型性能.
主要成果:
- 在NCDB队列中,定量ER/PR/Ki-67 (AUROC 0.81) 和定量ER/PR (AUROC 0.78) 模型显著优于非定量模型 (AUROC 0.70).
- 这些发现在外部队列中得到了验证,ER/PR/Ki-67 (AUROC 0.87) 和ER/PR (AUROC 0.86) 模型的表现优于非定量模型 (AUROC 0.80).
- 通过定量模型确定的低风险患者在5年内<3%的复发,这表明有效的风险分层.
结论:
- 结合定量ER/PR和Ki-67状态的机器学习模型可以准确预测ODX分数.
- 这些模型为识别可能不需要基因组测试的早期乳腺癌患者提供了具有成本效益的替代方案.
- 开发的模型可以帮助临床决策,潜在地降低医疗保健成本,并促进及时启动内分泌治疗.
