基于机器学习的结直肠癌肝转移预测模型的开发:一个人口水平的研究研究

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 肝转移 (LM) 显著影响结直肠癌 (CRC) 患者的治疗决策.
• 准确预测LM对于优化CRC患者管理至关重要.

研究的目的:

• 开发和验证用于预测CRC患者的LM的机器学习模型.
• 确定与CRC中的LM相关的关键风险因素.

主要方法:

• 利用监测,流行病学和最终结果 (SEER) 数据库 (2010-2015) 获取CRC患者数据.
• 使用极端梯度提升 (XGB),决策树 (DT),随机森林 (RF) 和支持向量机器 (SVM) 开发了预测模型.
• 使用ROC曲线,DCA和校准曲线评估模型性能;使用SHAP进行解释性.

主要成果:

• 分析了来自51,632名CRC患者的数据,通过ROC曲线证明机器学习模型的高准确性.
• 校准曲线显示预测和观察到的LM概率之间存在很强的一致性.
• 决策曲线分析表明,不同的治疗策略具有临床效用.
• SHAP分析确定了癌胚抗原 (CEA) 和N阶段作为LM的主要风险因素.

结论:

• 在评估的算法中,XGB和RF模型在预测LM方面表现出卓越的性能.
• 证实CEA和N阶段是CRC中LM最重要的预测因素.