肺腺癌与大脑转移中的不断发展的预后范式:通过机器学习增强的基于网络的预测模型
Min Liang1, Zhiwen Zhang2, Langming Wu3
1Department of Respiratory and Critical Care Medicine, Maoming People's Hospital, Maoming, China.
Discover oncology
|February 4, 2025
概括
这项研究开发了一种XGBoost机器学习模型,用于预测脑转移的肺腺癌患者的生存率. 可访问的网络工具有助于个性化治疗决策,并改善这一患者群体的治疗结果.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 机器学习 机器学习
背景情况:
- 肺腺癌 (LUAD) 与大脑转移 (BM) 有一个糟糕的预后.
- 准确的预后模型对于指导LUAD患者护理和治疗策略至关重要.
研究的目的:
- 开发和验证一个预测模型的整体存活期 (OS) 在LUAD患者与BM.
- 为了确定影响OS的关键预后因素在这个患者队列.
主要方法:
- 使用了监测,流行病学和最终结果 (SEER) 数据库 (2000-2018) 对于患有BM的LUAD患者.
- 使用拉索回归来确定OS的独立预后因素.
- 使用AUC,校准图表,Brier分数和DCA.构建和评估预测模型 (随机森林,XGBoost,决策树,ANN)
主要成果:
- 从9121名患者中确定了OS的11个显著的临床预后参数.
- XGBoost模型表现出高AUC值的优异性能 (例如,训练中的1年生存率为0.829).
- 在培训和验证队列中,XGBoost在所有评估指标中都超过了其他模型.
结论:
- 开发了一个强大的基于XGBoost的预后模型,用于患有BM的LUAD患者.
- 临床医生现在可以使用这个模型的可访问的基于Web的平台.
- 该模型支持个性化决策,以提高BM的LUAD患者的治疗结果.
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
7.0K
