针对儿科质瘤患者的基于深度学习的生存预测模型的开发和验证:使用SEER数据库和中国数据的回顾性研究
Yang Jiao1, Jianan Ye2, Wenjian Zhao1
1Department of Neurosurgery, Tangdu Hospital of Air Force Medical University, Xi'an, China.
Computers in biology and medicine
|September 28, 2024
概括
一个深度学习模型,DeepSurv,准确地预测了儿科质瘤患者的生存率. 这种工具有助于临床医生做出个性化治疗决策,降低风险,改善患者的治疗结果.
科学领域:
- 在瘤学瘤学.
- 人工智能的人工智能
- 生物统计学 生物统计学
背景情况:
- 儿科质瘤是复杂的大脑瘤,需要精确的预后工具.
- 当前的预测模型可能缺乏个性化治疗规划所需的准确性.
研究的目的:
- 开发和验证一个依赖时间的深度学习模型,用于预测儿科质瘤患者的存活率.
- 帮助临床医生做出明智的治疗决策,并减轻患者的风险.
主要方法:
- 利用了来自SEER (2000-2018) 和唐都医院 (2010-2018) 的儿科质瘤患者数据.
- 训练并将DeepSurv,N-MTLR和RSF模型与CoxPH进行比较.
- 使用C指数,Brier分数,IBS,ROC曲线和DCA验证的模型性能.
主要成果:
- DeepSurv模型表现出优异的性能,C指数为0.881 (训练) 和0.782 (验证).
- 在预测1,3年和5年生存率方面取得了很高的准确性 (AUC:0.903-0.939).
- 确定瘤阶段,放射治疗,组织学,瘤大小,化疗,年龄和手术作为关键的预后因素.
结论:
- DeepSurv 模型为儿科质瘤生存预测提供了卓越的有效性,稳定性和概括性.
- 基于DeepSurv的在线预测器可以实现个性化的治疗策略和改善患者护理.
更多相关视频
04:46Glioblastoma Relapse Post-Resection Model for Therapeutic Hydrogel Investigations
Published on: February 24, 2023
1.4K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
