使用机器学习方法预测乳腺癌中新辅助化疗的病理完整反应
Fangyuan Zhao1, Eric Polley2, Julian McClellan2
1Key Laboratory of Carcinogenesis and Translational Research (Ministry of Education), Laboratory of Molecular Oncology, Peking University Cancer Hospital & Institute, Beijing, China.
Breast cancer research : BCR
|October 30, 2024
概括
一个新的机器学习模型准确地预测乳腺癌患者对新辅助化疗 (NACT) 的反应,仅使用临床病理特征. 该工具有助于识别不太可能达到病理完整反应 (pCR) 的患者,并可能指导治疗决策.
科学领域:
- 在瘤学瘤学.
- 机器学习在医学中的应用
- 临床决策支持 临床决策支持
背景情况:
- 乳腺癌新辅助化疗 (NACT) 反应现有的预测模型通常依赖于标准的统计方法或复杂的数据,如成像和基因表达.
- 需要可访问的机器学习模型,仅使用临床病理特征来预测病理完整反应 (pCR).
- 这些模型可以在各种医疗保健环境中帮助临床决策.
研究的目的:
- 开发和验证一个强大的机器学习模型,用于预测接受NACT的乳腺癌患者的pCR.
- 仅使用定量临床病理特征来评估模型的性能.
- 评估临床效用和对化疗使用的潜在影响.
主要方法:
- 使用国家癌症数据库 (NCDB) 和外部队列开发和验证后勤回归和机器学习模型.
- 模型性能的比较,包括和不包括定量临床病理特征.
- 决策曲线分析,以确定表现最好的模型的临床实用性.
主要成果:
- 结合定量临床病理特征的机器学习模型实现了最高的歧视 (AUC:0.785) 和校准.
- 该模型在激素受体阳性/人表皮生长因子受体2-阴性 (HR+/HER2-) 乳腺癌 (AUC:0.817) 中表现优异.
- 在外部队列中,该模型保持了强的性能 (AUC:整体0.711,HR+/HER2亚组0.810),表明减少化疗使用的潜力.
结论:
- 一个经过验证的机器学习模型可以使用临床病理学数据准确地预测接受NACT的乳腺癌患者的pCR.
- 该模型对识别HR+/HER2-患者不太可能对化疗反应具有特别的希望,从而可以考虑替代治疗方案.
- 该模型作为未来研究的有价值的基线,整合了额外的颗粒状特征.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.7K
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
