基于使用可解释机器学习的新型预测因子的新辅助化疗和放射治疗下,预测和验证局部晚期直肠癌的病理完整反应
Ye Wang1, Zhen Pan1, Shoufeng Li1
1Department of Colorectal Surgery, The First Affiliated Hospital of Fujian Medical University, Fuzhou, China.
概括
这项研究开发了一种新的系统性炎症-营养指数 (SINI) 和极端梯度增强 (XGB) 模型,用于预测局部晚期直肠癌 (LARC) 患者在新辅助化学放射治疗 (NCRT) 后的病理完整反应 (pCR). 基于SINI的XGB模型准确预测pCR,帮助个性化治疗策略.
科学领域:
- 在瘤学瘤学.
- 辐射疗法 辐射疗法
- 机器学习 机器学习
背景情况:
- 准确的病理完整反应 (pCR) 预测对于在新辅助化学放射治疗 (NCRT) 后的局部晚期直肠癌 (LARC) 预后至关重要.
- 现有的预测模型往往忽略了NCRT期间的动态变化,其准确性有限.
研究的目的:
- 开发一种新的pCR预测剂,使用在NCRT期间系统性炎症营养标记指数 (SINI) 的动态变化.
- 创建一个机器学习模型来预测LARC患者的pCR.
主要方法:
- 整合了两个LARC队列 (n=901) 进行分析,比较了NCRT和手术前后的血液指数.
- 使用LASSO回归构建SINI,并通过后勤回归确定独立的风险因素.
- 开发并验证了10个机器学习模型,包括极端梯度增强 (XGB),使用交叉验证和SHAP进行解释.
主要成果:
- 六个关键指数组成了SINI,它与临床因素一起独立预测了pCR.
- XGB模型实现了高性能:AUC为0.86 (内部验证) 和0.83 (外部验证).
- XGB模型表现出强大的预测准确度 (0.82内部,0.81外部) 和精度 (0.80内部,0.81外部).
结论:
- 一个基于SINI的XGB模型有效地预测了接受NCRT的LARC患者的pCR.
- 这种基于SINI的机器学习方法为可切除LARC的个性化治疗选择提供了宝贵的见解.
