基于机器学习的脑转移预测模型,用于患有扩散阶段小细胞肺癌的患者
Erha Munai1, Siwei Zeng1, Ze Yuan2
1School of Medicine, Chongqing University, Chongqing, China.
Scientific reports
|November 20, 2024
概括
机器学习准确地预测大脑转移在广泛的小细胞肺癌 (ES-SCLC) 的大脑转移. 这种随机森林模型可以识别高风险患者,帮助临床决策以提高生存率.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 机器学习在医学中的应用
背景情况:
- 大脑转移 (BMs) 显著恶化了扩散阶段小细胞肺癌 (ES-SCLC) 患者的结果.
- 早期识别高风险个体对于及时干预和改善生活质量至关重要.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于预测ES-SCLC患者的BMs.
- 为了比较不同ML算法的性能与传统的物流回归.
主要方法:
- 利用监测,流行病学和最终结果 (SEER) 数据库 (2010-2018) 来获取患者数据.
- 开发并比较了四个ML算法,选择随机森林 (RF) 模型以其卓越的性能.
- 采用SHAP分析来确定BM的关键风险因素.
主要成果:
- 射频模型实现了高预测精度,AUROC为0.896和AUPRC为0.900.
- 关键的BM预测因素包括骨转移,肝转移,辐射,年龄和瘤特征.
- 该模型显示测试准确度为0.810,灵敏度为0.797,特异性为0.819.
结论:
- 一个经过验证的射频模型可以有效地预测ES-SCLC患者的BM风险.
- 这种预测工具可以帮助临床医生优化治疗策略,并可能延迟BMs.
- 通过风险分层来改善患者管理可能会提高生存率.
