机器学习模型用于预测T1b胃癌患者的淋巴结转移
Ji Won Seo1, Ki Bum Park1, Seung Taek Lim1
1Department of Surgery, St. Vincent's Hospital, College of Medicine, The Catholic University of Korea Seoul, Republic of Korea.
American journal of cancer research
|September 13, 2024
概括
机器学习模型可以准确地预测早期胃癌中淋巴结转移的情况. XGBoost模型显示了识别高风险患者的最佳性能,有助于手术治疗决策.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 手术瘤学手术瘤学
背景情况:
- 早期胃癌 (EGC) 的预后受到淋巴结转移 (LNM) 的显著影响.
- T1b阶段EGC具有显著的LNM率,需要准确的预测因素.
- 确定LNM风险对于T1b EGC中适当的治疗选择至关重要.
研究的目的:
- 开发和验证机器学习 (ML) 模型,用于预测T1b EGC患者的LNM.
- 在LNM预测中比较各种ML算法的性能.
- 确定T1b EGC.中临床应用的最佳ML模型.
主要方法:
- 利用了来自韩国胃癌协会数据库的T1b EGC患者的大数据集.
- 应用并比较了四种ML算法:逻辑回归 (LR),随机森林 (RF),极端梯度增强 (XGBoost) 和支持向量机器 (SVM).
- 采用五重交叉验证和外部验证,用于严格的模型评估,评估歧视,校准和临床效用.
主要成果:
- 分析了3,468名T1b EGC患者,其中15.9%的人患有LNM.
- XGBoost模型实现了0.8776的最高曲线下面积 (AUC),超过了LR (0.8284),SVM (0.8323) 和RF (0.7921).
- 与其他模型相比,XGBoost表现出优越的区分,校准和临床适用性.
结论:
- 机器学习模型是预测T1b EGC中LNM的有效工具.
- XGBoost模型提供了最佳的预测性能,可以帮助外科医生识别高风险T1b EGC患者.
- 这促进了个性化治疗策略,并改善了患者的治疗结果.
