机器学习预测乳腺癌局部复发局部化,并在局部复发后进行远程转移

科学领域:

• 在瘤学瘤学.
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 乳腺癌局部复发 (LR) 可以表现在各种组织中,包括残留瘤部位,胸壁,皮肤或痕组织.
• 人工智能 (AI) 和机器学习 (ML) 在预测癌症复发和转移方面表现有前途,但模型往往忽视了LR本地化作为一个特征.

研究的目的:

• 开发和评估ML模型来预测局部乳腺癌复发的局部化.
• 为了预测局部复发后的远程转移 (DM) 的发生.
• 确定影响LR本地化和随后的DM的关键特征.

主要方法:

• 分析了154名乳腺癌患者的病理,临床和随访数据,包括原发性瘤和复发.
• 应用ML方法来预测LR局部化 (乳腺外围膜,手术痕) 和LR后的DM.
• 使用曲线下的接收器操作特征面积 (ROC AUC) 评估模型性能.

主要成果:

• 最好的ML模型实现了ROC AUC分数为0.75,用于预测乳腺外围细胞中的LR和0.69用于外科痕组织.
• 该模型预测了LR后的DM,ROC AUC为0.74.
• DM的重要预测因素包括复发局部,初级诊断和复发之间的时间,以及辅助化疗.

结论:

• ML模型可以有效地预测局部乳腺癌复发的局部化以及远程转移的风险.
• 复发地点,复发时间和辅助化疗是与远程转移相关的重要因素.
• 将ML与传统的预后因素相结合,为评估乳腺癌复发风险提供了有价值的工具.