用可解释机器学习来预测神经母细胞瘤远程转移的个人风险和预后价值:基于人口的研究和外部验证
Shan Li1, Jinkui Wang1, Zhaoxia Zhang1
1Department of Urology, Children's Hospital of Chongqing Medical University, Chongqing 400014, China; Chongqing Key Laboratory of Children Urogenital Development and Tissue Engineering, Chongqing 400014, China; China International Science and Technology Cooperation base of Child Development and Critical Disorders, National Clinical Research Center for Child Health and Disorders, Ministry of Education Key Laboratory of Child Development and Disorders, Chongqing Key Laboratory of Pediatrics, Children's Hospital of Chongqing Medical University, Chongqing 400014, China.
机器学习模型准确地预测神经母细胞瘤 (NB) 患者的远程转移 (DM) 风险和预后. 这些AI工具为这种儿童癌症提供了改进的个性化诊断和治疗策略.
科学领域:
- 在瘤学瘤学.
- 生物统计学 生物统计学
- 计算生物学 计算生物学
背景情况:
- 神经母细胞瘤 (NB) 是一种具有挑战性的儿童癌症,其远程转移率高,预后不佳.
- 准确预测DM风险和患者预后对于NB的有效治疗计划至关重要.
研究的目的:
- 开发和验证机器学习 (ML) 模型,用于预测神经母细胞瘤 (NB) 患者远程转移 (DM) 的风险.
- 建立ML模型来预测开发了DM的NB患者的预后.
主要方法:
- 从SEER数据库 (2000-2020年) 中分析了1,668名NB患者.
- 使用递归特征消除 (RFE) 进行特征选择和评估13个ML算法.
- 模型性能使用AUC,精度,灵敏度,特异性和其他指标进行评估;SHapley添加式解释 (SHAP) 进行解释.
- 开发101ML算法组合,以确定基于C指数的最佳预后模型.
主要成果:
- CatBoost模型被认为是DM预测的最佳,在训练组中达到0.846的AUC.
- 严重的DM风险因素包括瘤原发部位,等级,手术类型,淋巴结参与,放射治疗和化疗.
- SHAP分析强调了等级,化疗和放射治疗作为DM的关键预测因素.
- RSF + GBM算法在训练组中表现出预后预测的最佳性能,C指数为0.656.
结论:
- 开发的ML模型对预测NB患者的DM风险和预后具有很高的准确性和可靠性.
- 这些模型为NB患者提供了更精确,个性化的转移诊断和预后评估.
- 这些发现支持将ML工具集成到临床实践中,以改善NB管理.
更多相关视频
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
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018