轻GBM是胃癌术后并发症的有效预测模型:一项研究将放射学与合奏学习整合在一起

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 根性胃切除术后的术后并发症显著阻碍了患者的康复.
• 准确的风险预测对于胃癌患者的有效术后管理至关重要.

研究的目的:

• 开发和验证一个预测模型,用于早期的术后并发症的胃癌患者进行激进胃切除术.
• 为指导术后临床决策和改善患者的治疗结果.

主要方法:

• 对166名接受了激进胃切除术的患者进行了回顾性分析.
• 利用3D卷积神经网络 (3D-CNN) 来对内脏脂肪进行细分和从CT扫描中提取特征.
• 使用LASSO回归来进行特征选择和集体学习,并使用光梯度增强机 (LGBM) 来进行预测模型训练.
• 使用五倍交叉验证评估模型性能.

主要成果:

• 开发的LGBM模型实现了曲线下的面积 (AUC) 为0.9232.
• 该模型在预测术后并发症方面显示了87.28% (95% CI,75.61-98.95%) 的高准确性.
• 该LGBM模型的表现优于其他评估的机器学习算法 (XGBoost,随机森林,GBDT).

结论:

• 在激进胃切除术后早期术后并发症的有效预测模型成功地使用集体学习和内脏脂肪放射学来构建.
• "LGBM模型为个性化临床决策提供了一个有前途的工具,有可能提高胃癌患者手术后的早期恢复.