基于多任务机器学习的瘤相关的原体特征预测腹膜复发和胃癌的无疾病生存率

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:

• 在胃癌 (GC) 中精确预测腹复发是临床上至关重要的.
• 瘤微环境中的原蛋白变化影响癌细胞迁移和治疗反应.
• 瘤相关原签名 (TACS) 是使用多光子成像的定量原特征来开发的.

研究的目的:

• 开发和验证一种多任务机器学习模型,用于同时预测GC中腹复发 (TACS_PR) 和无病生存 (TACS_DFS) 的情况.
• 评估模型在预测腹复发和预后方面的准确性.
• 评估TACS与辅助化疗的益处之间的关联.

主要方法:

• 开发了一种多任务机器学习模型,并对713名GC患者在培训,内部和外部验证队列中进行了验证.
• 来自多光子成像的定量原特征被用来创建TACS和TACS.
• 评估了该模型的预测准确性和与辅助化疗的相关性.

主要成果:

• 在所有队列中,TACS_PR和TACS_DFS分别与腹膜复发和无病存活相关 (P <0.001).
• TACS_PR在预测腹膜复发方面表现良好.
• TACS_DFS证明了无疾病生存预测的令人满意的准确性.
• 辅助化疗改善了TACS_PR/TACS_DFS分组在II/III期GC中的特定生存率,但不是高TACS_PR/高TACS_DFS的患者.

结论:

• 多任务机器学习模型准确地预测了GC患者的腹复发和存活率.
• TACS可以有效地识别可能从辅助化疗中受益的GC患者.