为鼻癌管理创建一个交互式数据库:应用机器学习来评估转移和存活率
Yanbo Sun1, Jian Tan1, Cheng Li1
1Department of Otorhinolaryngology, The Central Hospital of Wuhan, Tongji Medical College, Huazhong University of Science and Technology, Wuhan, China.
Frontiers in oncology
|October 22, 2024
概括
机器学习模型可以预测鼻癌 (NPC) 转移和生存率. 随机生存森林模型在NPC患者的整体和癌症特异性生存预测方面表现优异.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 鼻癌 (NPC) 经常出现远程转移 (DM),导致预后不佳.
- 准确预测DM,整体生存率 (OS) 和癌症特异性生存率 (CSS) 对于优化NPC患者管理至关重要.
研究的目的:
- 开发和应用机器学习模型来预测NPC患者的DM,OS和CSS.
- 提供准确的预测工具,以改善NPC的临床决策.
主要方法:
- 利用了来自SEER数据库的8,000多个NPC患者样本.
- 开发并评估了5个用于DM预测的机器学习模型和9个用于OS和CSS预测的生存算法.
- 使用AUC,C指数,5年AUC和Brier分数评估模型性能.
主要成果:
- 随机森林模型实现了DM预测的AUC为0.687.
- 随机生存森林 (RSF) 模型在OS (C指数:0.802,5年AUC:0.857) 和CSS (C指数:0.822,5年AUC:0.884) 预测方面表现优异.
- 性别,婚姻状况,瘤等级和阶段等临床因素显著影响NPC转移和生存.
结论:
- 成功开发了用于NPC转移和生存预测的机器学习模型.
- 一个在线工具 (http://npcml.shinyapps.io/NPCpre) 被创建,供临床医生免费有效使用.
- 这些模型为临床医生在管理NPC患者时提供了宝贵的参考资料.
更多相关视频
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
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.2K
