使用结构化数据和机器学习预测头癌的治疗后结果:系统性审查
Mohammad Moharrami1,2,3, Parnia Azimian Zavareh3, Erin Watson1,2
1Faculty of Dentistry, University of Toronto, Toronto, Canada.
PloS one
|July 24, 2024
概括
机器学习 (ML) 模型在预测头癌的结果方面显示出显著的前景,超过了传统的生存预测模型. 进一步的研究应该集中在疾病进展和外部验证上,以获得更广泛的适用性.
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:
- 头癌 (HNC) 存活率和疾病进展预测对于治疗计划至关重要.
- 临床病理学结构化数据越来越多地用于HNC的预测建模.
研究的目的:
- 系统地审查和评估机器学习 (ML) 模型在预测HNC治疗后生存和疾病进展方面的表现.
- 将ML模型的性能与传统模型 (如Cox比例危险模型) 进行比较.
主要方法:
- 在主要的科学数据库 (Medline,Scopus,Embase,Web of Science,Google Scholar) 进行系统的文献搜索.
- 评估包含的ML模型的方法特征和性能指标.
- 使用预测模型的偏差风险评估工具 (PROBAST) 进行偏差风险评估.
主要成果:
- 在对HNC存活的时间到事件分析中,ML模型的表现优于Cox比例危险模型 (一致性指数0.70-0.79与0.66-0.76).
- ML模型表现出强大的二进制分类性能 (AUROC 0.75-0.97,HNC的F1得分为0.65-0.89).
- 疾病特异性生存预测显示出高于整体生存的表现;基于随访持续时间的表现没有显著差异.
结论:
- 机器学习模型显示出预测HNC治疗后生存率和疾病进展的巨大潜力,超过了传统的线性模型.
- 未来的研究应该整合综合治疗特征,优先预测疾病进展,并通过外部验证和多中心数据确保通用性.


