基于机器学习的新型模型可以预测转移性乳腺癌的预后

科学领域:

• 在瘤学瘤学.
• 机器学习 机器学习
• 生物统计学 生物统计学

背景情况:

• 转移性乳腺癌 (MBC) 是一种罕见的,具有有限预测模型的攻击性亚型.
• 准确的预后对于MBC的有效临床管理至关重要.

研究的目的:

• 开发和验证用于预测MBC患者生存的机器学习模型.
• 评估放射治疗在不同MBC患者亚组中的疗效.

主要方法:

• 利用SEER数据库 (2010-2018) 和医院队列用于模型开发和验证.
• 开发了一种新的CatBoost机器学习模型,结合了预后因素.
• 基于手术方法和疾病阶段,在不同患者组中比较放射治疗的益处.

主要成果:

• CatBoost模型在预测MBC患者生存率方面表现出高准确性 (例如,1年AUC=0.833,5年AUC=0.810).
• 该模型在独立数据集上表现出强的表现 (例如,1年AUC=0.937,5年AUC=0.890).
• 放射治疗对M0阶段接受乳房保护手术的患者和T3-4/N2-3M0阶段接受乳房切除手术的患者显示出显著的生存益处.

结论:

• 一个经过验证的CatBoost模型可以有效地预测MBC的生存结果.
• 对于特定的MBC患者群体,建议进行放射治疗:乳腺保护手术后的M0阶段和乳腺切除后的T3-4/N2-3M0阶段.