基于机器学习的食道癌肝转移的预测

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:

• 食道癌经常转移到肝脏,影响患者的预后.
• 准确预测肝转移对于治疗计划和生存结果至关重要.

研究的目的:

• 开发和验证用于预测食道癌肝转移的机器学习模型.
• 在食道癌患者中确定与肝转移相关的关键风险因素.

主要方法:

• 来自SEER数据库 (2010-2020) 的17800名食道癌患者的回顾性分析.
• 使用单变量和多变量逻辑回归识别了11个独立的风险因素.
• 开发和评估六个机器学习分类器,包括梯度提升机 (GBM).

主要成果:

• 年龄,主要部位,组织学,瘤等级,T/N阶段,手术,放射治疗,化疗和骨/肺转移是显著的风险因素.
• 基于GBM的机器学习模型实现了AUC为0.885,准确度为0.868,灵敏度为0.667,特异性为0.888.
• 基于GBM模型创建了一个基于Web的预测工具.

结论:

• 机器学习,特别是GBM算法,可以有效地预测食道癌的肝转移.
• 开发的预测工具为临床医生提供了宝贵的资源,以评估转移风险.
• 早期识别转移风险可以指导食道癌的个性化治疗策略.