在乳腺癌患者中使用多omics签名早期预警下淋巴结转移:基于机器学习的回顾性研究
Zirui Ke1, Leihua Shen2, Jun Shao1
1Department of Breast Surgery, Hubei Cancer Hospital, Tongji Medical College, Huazhong University of Science and Technology, Hubei Provincial Clinical Research Center for Breast Cancer, Wuhan Clinical Research, Wuhan, 430070, People's Republic of China.
International journal of general medicine
|December 17, 2024
概括
准确预测乳腺癌状淋巴结转移对于患者的分期和预后至关重要. 机器学习模型,特别是随机森林模型,在改善这些预测方面表现出有希望.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 数据科学数据科学数据科学
背景情况:
- 轴淋巴结 (ALN) 转移是乳腺癌传播的主要途径.
- 准确预测ALN转移对于手术分期和患者预后至关重要.
- 改进的手术前预测模型可以优化手术决策和患者护理.
研究的目的:
- 开发和评估机器学习模型,用于预测乳腺癌患者的带淋巴结转移.
- 在ALN转移预测中比较通用线性回归模型 (GLRM) 和随机森林模型 (RFM) 的性能.
- 确定ALN转移预测的关键临床,放射性和病态特征.
主要方法:
- 从422名乳腺癌患者的临床数据,放射学和病理学的回顾性分析.
- 在培训队列 (70%) 上使用GLRM和RFM开发ALN预测模型.
- 在验证队列中使用曲线下的面积 (AUC) 和决策曲线分析 (DCA) 评估模型性能 (30%).
主要成果:
- 18.7%的患者在术后被诊断出ALN转移.
- 在GLRM模型中,采用了剪切波弹性学 (SWE) 和病态特征.
- 与GLRM (0.818) 相比,RFM获得了较高的AUC (0.893).与GLRM (0.818) 相比,RFM获得了更高的AUC (0.893).
结论:
- 机器学习和多omics方法在预测ALN转移方面表现强.
- 随机森林模型 (RFM) 在预测ALN转移方面比传统的GLRM具有显著的优势.
- 这些模型可以帮助临床医生识别高风险患者,从而实现个性化的术后管理和改善结果.
