机器学习用于使用时间序列数据对肝细胞癌患者的动态预测:生存路径与动态-DeepHit HCC模型对比

科学领域:

• 在瘤学中的机器学习
• 癌症预后的预测建模.

背景情况:

• 肝细胞癌 (HCC) 需要持续监测和预后评估.
• 像Survival Path (SP) 和Dynamic DeepHit这样的新型机器学习模型有助于HCC患者的动态预后预测.

研究的目的:

• 为了比较生存路径 (SP) 和动态DeepHit模型的性能,用于HCC的动态预后.
• 评估它们在疾病监测,预后评估和中等到高级HCC治疗计划中的有效性.

主要方法:

• 在使用时间序列数据对2511名HCC患者的队列进行了SP和动态DeepHit模型的训练和测试.
• 将时间序列数据转换为时间切片 (3个月间隔).
• 在各种预测和评估时间对总生存 (OS) 的时间依赖c指数进行比较.

主要成果:

• 动态DeepHit在初次入院时显示出卓越的性能.
• 动态DeepHit的性能随着时间的推移而下降,而SP的性能则增加.
• 在6个月或更晚的预测和晚期评估时间 (Δt > 12个月) 中,SP的表现优于动态DeepHit.

结论:

• SP模型在长期HCC预后预测方面表现出强大优势.
• 动态DeepHit-HCC模型是有利于短期HCC预后预测.
• 模型选择应根据HCC管理中的特定预测时间框架和临床场景进行量身定制.