卵膜黑色素瘤远程转移预测系统:基于机器学习的回顾性观察研究
Shi-Nan Wu1, Dan-Yi Qin1, Linfangzi Zhu1
1Xiamen University Affiliated Xiamen Eye Center, Fujian Provincial Key Laboratory of Ophthalmology and Visual Science, Fujian Engineering and Research Center of Eye Regenerative Medicine, Eye Institute of Xiamen University, School of Medicine, Xiamen University, Xiamen, Fujian, China.
Cancer science
|July 12, 2024
概括
机器学习可以准确地预测皮膜黑色素瘤 (UM) 患者的远程转移. 多层感知模型提供个性化的风险评估,帮助早期治疗策略,以获得更好的预后.
科学领域:
- 在瘤学瘤学.
- 数据科学数据科学数据科学
- 医疗信息学 医疗信息学
背景情况:
- 卵巢黑色素瘤 (UM) 具有远程转移的高风险,导致患者的预后不佳.
- 缺少对UM远程转移的预测模型,特别是那些利用大数据的模型.
- 早期发现转移风险对于及时干预至关重要.
研究的目的:
- 开发和验证用于预测UM患者远程转移的机器学习模型.
- 确定与UM远程转移相关的关键风险和保护因素.
- 为UM患者创建个性化的风险评估工具.
主要方法:
- 利用监测,流行病学和最终结果 (SEER) 数据库 (2000-2020年) 获取UM患者数据.
- 应用后勤回归和六个机器学习算法,选择多层感知子 (MLP) 模型.
- 采用沙普利增量解释 (SHAP) 来解释模型,并开发了一个基于网络的计算器.
主要成果:
- 该MLP模型实现了高预测准确度 (ROC AUC = 0.876).
- 确定的主要风险因素包括学年级,年龄,主要部位,治疗时间和瘤数量.
- 保护因素包括诊断方法,横向性,农村-城市代码和放射治疗.
结论:
- 该MLP模型是预测UM中远程转移的最佳工具.
- 通过开发的网络计算器,可以实现个性化的风险评估.
- 这有助于早期和量身定制的治疗策略,以改善患者的治疗结果.
