基于SEER数据库的机器学习算法用于预测T1和T2胆囊癌的远程转移

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:

• 胆囊癌 (GBC) 是一个重大挑战,特别是在早期的远程转移 (DM) 方面.
• 准确预测DM对于有效的治疗计划和改善患者的治疗结果至关重要.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测T1和T2胆囊癌 (GBC) 患者远程转移 (DM) 的风险.
• 在早期的GBC中识别与DM相关的独立风险因素.
• 创建一个用于临床使用的预测工具.

主要方法:

• 利用来自SEER数据库 (2004-2015) 的T1和T2 GBC的4371名患者的数据.
• 应用并评估了七个ML算法,包括后勤回归 (LR) 和随机森林 (RF).
• 使用诸如接收器运行特征曲线 (AUC) 下面面积等指标评估模型性能.

主要成果:

• 在4371名患者中,764名 (17.4%) 患有远程转移.
• 与其他算法相比,随机森林 (RF) 模型表现出优越的预测性能.
• 开发了一个名图表来预测早期T期GBC患者的DM.

结论:

• 随机森林 (RF) 算法在预测胆囊癌 (GBC) 患者的远程转移 (DM) 中取得了高准确性.
• 这种基于ML的方法可以提高临床医生的诊断准确性.
• 开发的射频模型和网络计算器可以优化治疗策略并改善患者的治疗结果.