使用机器学习模型来预测乳腺癌中新辅助化疗的病理完整反应
Rayhan Erlangga Rahadian1, Hong Qi Tan2, Bryan Shihan Ho2
1Lee Kong Chian School of Medicine, Nanyang Technological University, Singapore, Singapore.
JCO clinical cancer informatics
|November 22, 2024
概括
机器学习模型,特别是随机森林,在预测乳腺癌对新辅助化疗 (NAC) 的反应方面表现有前途. 输入缺失的数据可以提高这些预测模型的准确性.
科学领域:
- 在瘤学瘤学.
- 生物统计学 生物统计学
- 机器学习 机器学习
背景情况:
- 新辅助化疗 (NAC) 是乳腺癌的标准治疗方法.
- 预测模型有助于预测治疗反应,优化患者管理.
- 对NAC的病理完整反应 (pCR) 的准确预测对于治疗分层至关重要.
研究的目的:
- 评估机器学习 (ML) 模型,用于预测 NAC.接受乳腺癌患者的pCR.
- 在预测模型中比较处理缺失数据的不同方法.
- 确定影响PCR预测的关键临床特征.
主要方法:
- 利用了来自两个新加坡中心的499名接受NAC治疗的乳腺癌患者的数据.
- 使用11个临床特征训练和评估了5个ML模型.
- 评估了缺少数据的列表式删除和归算技术.
- 使用曲线下的面积 (AUC) 和屏障得分来衡量模型性能.
- 使用沙普利增量解释 (SHAP) 确定特征的重要性.
主要成果:
- 随机森林 (RF) 模型表现出高预测精度 (AUC ~0.79) 和在外部数据集中的良好校准.
- 假定缺失的数据略有改善了AUC,并显著提高了正预测值 (PPV) 和负预测值 (NPV).
- 雌激素受体强度,HER2强度和诊断时的年龄被确定为pCR最重要的预测因素.
结论:
- ML,特别是RF,为预测乳腺癌中PCR对NAC提供了一种可行的方法.
- 数据归算是一种有价值的策略,可以提高pCR预测模型的性能和可靠性.
- 关键的临床因素如ER,HER2状态和年龄对于准确的PCR预测至关重要.
