基于机器学习的预后模型的构建和解释,用于预测肠型和扩散型胃癌患者的生存率
Kunxiang Ji1, Lei Shi1, Yan Feng1
1Department of Oncology IV, Beidahuang Industry Group General Hospital, Harbin, China.
World journal of surgical oncology
|October 15, 2024
概括
机器学习模型准确地预测肠类和扩散类瘤的胃癌存活率. 关键因素如pTNM和瘤标志物有助于风险分层和个性化治疗计划.
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:
- 胃癌是一种普遍存在的恶性瘤,死亡率高,特征复杂.
- 它被分为肠类和扩散类,每个都有不同的特点.
- 机器学习为胃癌管理提供了新的方法.
研究的目的:
- 开发和验证机器学习模型,用于预测胃癌患者的生存率.
- 为了区分肠类和扩散类胃癌的预后因素.
- 通过准确的生存预测来支持个性化的治疗策略.
主要方法:
- 招募了2158名胃癌患者用于模型开发.
- 采用机器学习算法来进行特征选择和预后模型构建.
- 使用培训和测试数据集和SHAP值来解释可解释性的验证模型性能.
主要成果:
- 渐变增强决策树 (GBDT) 模型显示了这两种类型的最佳性能.
- 确定了关键的预后因素:pTNM,CA125,瘤大小,CA199,PALB (肠道型);pTNM,Borrmann型IV,LYM,LDH,K,PNI,瘤大小,全胃位置 (扩散型).
- 风险分层分析证实高风险患者的预后明显较差.
结论:
- 机器学习显示出预测胃癌患者生存率的巨大潜力.
- 这些模型为制定个性化治疗计划提供了宝贵的见解.
- 准确的预后预测可以指导临床决策并改善患者的治疗结果.
更多相关视频
10:28Gene Regulation and Targeted Therapy in Gastric Cancer Peritoneal Metastasis: Radiological Findings from Dual Energy CT and PET/CT
Published on: January 22, 2018
11.1K
06:46Competing-Risk Nomogram for Predicting Cancer-Specific Survival in Multiple Primary Colorectal Cancer Patients after Surgery
Published on: September 27, 2024
223
