机器学习方法在口腔癌中长期放射治疗的分类:国家癌症数据库
Seungjun Ahn1,2, Eun Jeong Oh3, Matthew I Saleem4,5
1Institute for Healthcare Delivery Science, Department of Population Health Science and Policy, Icahn School of Medicine at Mount Sinai, New York City, New York, USA.
概括
机器学习,特别是随机森林,准确地预测了口腔癌患者的长期辐射治疗. 这可以帮助识别高风险个体,以便进行早期干预和改善结果.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 数据科学数据科学数据科学
背景情况:
- 口腔状细胞癌 (OPSCC) 的治疗通常涉及放射治疗 (RT) 或化学辐射.
- 长时间的放射治疗时间 (RTD) 可以影响患者的治疗结果和资源分配.
- 对长期的RTD进行准确的风险分层对于个性化治疗规划至关重要.
研究的目的:
- 评估各种机器学习 (ML) 算法在预测OPSCC患者长期RTD (>50天) 的准确性.
- 将ML模型的性能与RTD风险分层的传统后勤回归进行比较.
- 确定最有效的ML算法来识别患有长期RTD风险的患者.
主要方法:
- 从2004年至2016年使用国家癌症数据库 (NCDB) 进行的回顾性队列研究.
- 分析包括3152名接受初级RT或化学辐射治疗的OPSCC患者.
- 训练了8个ML算法 (70%) 并使用性能指标对逻辑回归进行了测试 (30%).
主要成果:
- 与其他ML算法和后勤回归相比,随机森林 (RF) 在预测长期RTD方面表现出卓越的准确性.
- 这项研究包括1928名长期RTD患者和1224名没有RTD患者.
- 性能指标证实RF是最有效的预测模型.
结论:
- 随机森林 (RF) 在将OPSCC患者分类为长期RTD风险的传统物流回归中表现明显优于传统物流回归.
- ML算法,特别是RF,显示出识别高风险患者的潜力.
- 早期识别高风险患者可以促进及时干预,潜在地提高生存率.


