机器学习模型使用免疫指标预测早期肝癌的结果
Yi Zhang1, Ke Shi1, Ying Feng1
1Center of Integrative Medicine, Beijing Ditan Hospital, Capital Medical University, Beijing 100015, China.
World journal of gastroenterology
|February 10, 2025
概括
机器学习模型可以预测哪些早期肝癌患者在手术后面临高死亡风险. 一个人工神经网络模型在识别高危肝细胞癌 (HCC) 患者方面表现出卓越的表现.
科学领域:
- 肝细胞癌研究 肝细胞癌研究
- 在瘤学中的机器学习
- 生物标志物发现发现
背景情况:
- 早期肝细胞癌 (HCC) 患者在手术后往往有良好的结果,但有些人在五年内出现复发.
- 识别高风险的患者在手术后死亡对于个性化治疗策略至关重要.
研究的目的:
- 开发和验证机器学习 (ML) 模型,用于预测早期HCC患者的死亡风险.
- 将ML模型的性能与HCC预后的传统评分系统进行比较.
主要方法:
- 一组808名早期HCC患者被随机分配到培训 (2:1) 和验证组.
- 预测模型是使用随机生存森林和人工神经网络 (ANN) 构建的.
- 一个决策树模型评估了免疫-炎症标志物对长期结果的影响.
主要成果:
- 免疫炎症标志物,白蛋白-白素得分,α-胎蛋白,瘤大小和INR是显著的预后因素.
- 该ANN模型在培训组中实现了0.85的5年AUC,在验证组中达到0.82.
- 该ANN模型有效地将患者分为高风险和低风险组,具有显著的生存差异 (HR 7.98,P < 0.0001).
结论:
- 一个非侵入性,成本效益高的基于ML的模型可以识别高风险的早期HCC患者.
- 该模型有助于临床医生预测手术切除后手术后预后不佳.
- 开发的ANN模型为HCC的风险分层和管理提供了有价值的工具.
