相关实验视频
Updated: Jun 1, 2025

05:39
Spontaneous Murine Model of Anaplastic Thyroid Cancer
Published on: February 3, 2023
1.6K
基于机器学习的预后模型,用于患有形甲状腺癌的患者.
Yihan Sun1, Da Lin2, Xiangyang Deng3
1Department of Thyroid Breast Surgery, The Second Affiliated Hospital and Yuying Children's Hospital of Wenzhou Medical University, Wenzhou, China.
Discover oncology
|January 21, 2025
概括
随机生存森林 (RSF) 为形甲状腺癌 (ATC) 患者提供比传统的Cox模型更准确的生存预测. 这种机器学习方法还提供了卓越的预后分层,以改善患者的治疗结果.
科学领域:
- 在瘤学瘤学.
- 生物统计学 生物统计学
- 机器学习 机器学习
背景情况:
- 无塑性甲状腺癌 (ATC) 是一种具有有限预后工具的侵袭性癌症.
- 准确预测生存结果对于有效的患者管理至关重要.
研究的目的:
- 开发和验证使用随机生存森林 (RSF) 的ATC患者的预后模型.
- 将RSF的表现与传统的Cox模型进行比较,以预测生存率.
主要方法:
- 利用来自SEER数据库的1222名ATC患者的数据.
- 使用培训和验证队列开发并比较RSF和Cox模型.
- 使用布里尔分数,C指数,AUC和决策曲线分析 (DCA) 评估模型性能.
主要成果:
- 与Cox模型相比,RSF模型表现出优异的性能,比较低的Brier分数 (0.055对0.063) 和更高的AUC.
- 手术,放射治疗和化疗被确定为生存的关键预测因素.
- RSF成功地将ATC患者分为两个不同的预后组.
结论:
- 随机生存森林 (RSF) 为ATC患者提供更精确的生存预测.
- 与形甲状腺癌的考克斯回归模型相比,RSF提供了优越的预后分层.

