基于病理学的机器学习模型,用于预测局部晚期直肠癌患者的病理完整反应和预后后新辅助化学放射治疗:来自两个独立机构研究的见解
Yiyi Zhang1,2,3, Ying Huang1, Meifang Xu4
1Department of Colorectal Surgery, The First Affiliated Hospital of Fujian Medical University, Fuzhou, China.
BMC cancer
|December 26, 2024
概括
使用病理学模型的机器学习模型在经过新辅助化疗和放射治疗后,在局部晚期直肠癌患者中准确预测病理完整反应和无疾病生存率. 这些模型为治疗计划提供了更好的预后歧视.
科学领域:
- 在瘤学瘤学.
- 辐射疗法 辐射疗法
- 数字病理学数字病理学
- 机器学习 机器学习
背景情况:
- 准确预测病理完整反应 (pCR) 和无病生存率 (DFS) 对于优化局部晚期直肠癌 (LARC) 的新辅助化学放射治疗 (NCRT) 至关重要.
- 病理学,来自H&E染色组织,为预测治疗结果提供了一种新的方法.
研究的目的:
- 开发和验证机器学习 (ML) 模型,利用病理学来预测接受NCRT的LARC患者的pCR和DFS.
- 在独立的队列中评估ML模型的预测性能.
主要方法:
- 从两个机构对294名接受NCRT治疗的LARC患者进行了回顾性分析.
- 从NCRT前的H&E幻灯片中提取病态特征.
- 开发和验证五个ML模型 (包括XGBoost) 使用ROC,Kaplan-Meier,时间依赖ROC和名ogram分析.
主要成果:
- XGBoost (XGB) 模型在预测pCR方面取得了出色的表现 (内部AUC为1.000,外部为0.950).
- XGB模型有效地将患者分为DFS和整体存活率 (OS) 的高风险和低风险组.
- 瘤长度,NCRT后CEA和XGB模型得分通过COX回归被确定为DFS的独立预测因素.
结论:
- 基于病理学的ML模型显示了预测LARC患者的pCR和预后的巨大潜力.
- 开发的XGBoost模型显示了对治疗反应和生存结果的强大预测能力.
- 建议在更大,多样化的队列中进行进一步验证,以确认临床效用.
