基于考克斯回归,深度学习和机器学习算法的高级多重肝细胞癌的预后模型的开发
Jie Shen1, Yu Zhou1, Junpeng Pei2
1Department of Hepatobiliary Surgery, Renmin Hospital of Wuhan University, Wuhan, China.
Frontiers in medicine
|October 14, 2024
概括
这项研究开发了一种渐变增强机器 (GBM) 模型,用于预测多发性肝细胞癌 (MHCC) 患者的预后. GBM模型准确量化风险和生存概率,优于先进的MHCC的传统方法.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
背景情况:
- 多发性肝细胞癌 (MHCC) 通常在晚期出现,使治疗决策复杂化.
- AJCC-TNM分期系统在准确预测MHCC患者的预后方面存在局限性.
- 需要改进的预后工具来指导临床管理和患者咨询.
研究的目的:
- 确定多发性肝细胞癌 (MHCC) 的关键预后因素.
- 开发和验证高级MHCC的新型预后模型.
- 比现有系统更准确地量化患者的风险和生存概率.
主要方法:
- 使用监测,流行病学和最终结果 (SEER) 数据库来获取患者数据.
- 采用机器学习 (ML) 和深度学习 (DL) 算法,包括梯度增强机器 (GBM),用于模型开发.
- 使用C指数,ROC曲线,Brier分数和决策曲线分析评估模型性能,并使用SHAP进行解释性.
主要成果:
- 梯度增强机 (GBM) 模型证明了高级MHCC的卓越预后准确性.
- 在培训队列中,GBM模型实现了0.73的C指数和0.78以上的AUC值.
- 该模型在测试队列中表现强,并通过卡普兰-梅尔分析有效地分层患者预后.
结论:
- 梯度增强机器 (GBM) 模型是最准确的机器学习方法,用于预测高级MHCC的预后.
- 这种新模型为MHCC患者的风险分层和生存预测提供了有价值的工具.
- 这些发现支持在瘤学中使用先进的ML技术,以改善患者的治疗结果.
