开发两种机器学习模型,预测从原发性HER2-0乳腺癌转化为HER2-低转移:一项概念验证研究
F Miglietta1, A Collesei2, C Vernieri3
1Oncology Unit 2, Istituto Oncologico Veneto (IOV) - IRCCS, Padova, Italy; Department of Surgery, Oncology and Gastroenterology, University of Padova, Padova, Italy.
ESMO open
|December 20, 2024
概括
人工智能可以预测HER2-低乳腺癌 (BC) 复发在患者的HER2-0原发性BC. 这有助于确定有资格接受向治疗的患者,改善转移性BC的治疗机会.
科学领域:
- 在瘤学瘤学.
- 生物统计学 生物统计学
- 人工智能在医学中的应用
背景情况:
- 低HER2表达对于转移性乳腺癌 (BC) 用抗体-药物联体治疗至关重要.
- 在疾病进展过程中,HER2状态可能会发生变化,因此需要对患有HER2-0原发性BC的患者进行预测.
- 识别可能在复发时发展HER2-低表型的患者对于获得治疗至关重要.
研究的目的:
- 开发和评估机器学习模型,用于预测HER2-0原发性乳腺癌患者的HER2-低表型转化.
- 在这个预测任务中评估可解释和组合AI模型的性能.
主要方法:
- 一个大型的,多中心的乳腺癌患者队列的回顾性分析,在复发时重新取样组织.
- 数据预处理以处理缺失值,特征丰富和类不平衡.
- 训练两个人工智能模型:极端梯度提升 (XGBoost) 进行解释,以及XGBoost和支持向量机组进行性能.
主要成果:
- 在386名HER2-0原发性BC患者中,42.5%在复发时转换为HER2-low.
- 可解释模型 (XGBoost) 实现了58%的平衡精度,识别了主要的BC表型,组织学,等级和复发部位作为关键预测因素.
- 组合模型实现了64%的平衡精度,在预测HER2-低转化时具有更高的灵敏度 (75%).
结论:
- 机器学习模型可以有效地预测乳腺癌中HER2-低表型转化,帮助治疗决策.
- 使用可解释和整体模型的综合方法平衡了预测性表现与透明度.
- 这项研究展示了人工智能在优化转移性乳腺癌患者药物获取方面的概念证明.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.7K
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.2K
