粘膜皮肤瘤癌:通过机器学习模型和基于网络的预后工具提高诊断准确度和治疗策略

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:

• 口腔粘膜皮质癌 (MEC) 由于罕见性和组织学多样性而存在诊断挑战.
• 准确的生存预测对于有效的患者管理至关重要.

研究的目的:

• 开发机器学习 (ML) 模型,用于预测口腔MEC患者的生存结果.
• 创建一个临床上可访问的MEC预后工具.

主要方法:

• 利用了SEER数据库 (2000-2020年),其中包括1314名口腔MEC患者.
• 开发了使用随机森林分类器,梯度提升分类器,物流回归,K-最近邻居和多层感知器的预测模型.
• 使用ROC曲线和AUC分析验证模型性能.

主要成果:

• 随机森林分类器显示了最高的预测准确性 (AUC = 0.55).
• 确定年龄,性别和转移作为显著的预后因素.
• 仅仅手术与最高的生存率相关.

结论:

• ML模型在提高口服MEC的生存预测方面表现有前途.
• 开发了一种新的基于网络的预后工具,以帮助临床决策.