机器学习预测T1食道状细胞癌的淋巴结转移:一个多中心研究
Xu Huang1, Qingle Wang2, Wenyi Xu1
1Department of Thoracic Surgery, Zhongshan Hospital, Fudan University Shanghai, China.
International journal of surgery (London, England)
|June 21, 2024
概括
机器学习模型显著改善了T1食道状细胞癌 (ESCC) 淋巴结转移 (LNM) 的预测. 弹性净回归实现了最佳表现,超过了当前LNM风险评估指南.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 机器学习在医学中的应用
背景情况:
- 精确量化淋巴结转移 (LNM) 风险对于T1食道状细胞癌 (ESCC) 的分期和治疗至关重要.
- 现有的模型在早期 ESCC 中精确评估 LNM 风险方面存在局限性.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于预测T1 ESCC患者的LNM.
- 将ML模型的性能与既定指导方针和传统统计方法进行比较.
主要方法:
- 进行了一项基于人口的多中心研究.
- 开发了几种ML算法,包括弹性净回归 (ELR),随机森林 (RF) 和极端梯度增强 (XGB),以及一个集合模型.
- 用外部验证的曲线下面面积 (AUC) 评估模型性能.
主要成果:
- 所有开发的ML模型都显示出对LNM预测具有强大的区分能力.
- 弹性净回归 (ELR) 实现了0.803.3的最高外部验证的AUC.
- 发现的关键预测特征是淋巴侵袭,血管侵袭和瘤侵袭深度.
- ELR的性能明显超过了NCCN指南 (AUC=0.576) 和标准物流模型 (AUC=0.670).
结论:
- 机器学习方法为估计T1 ESCC中的LNM风险提供了一个非常有效的策略.
- 与当前的临床指南相比,开发的ML模型为风险分层提供了一种优越的工具.
