在内镜切除和外科手术后T1结直肠术后复发的生存机器学习模型:一个回顾性队列研究

科学领域:

• 在瘤学瘤学.
• 机器学习 机器学习
• 预测建模预测建模

背景情况:

• T1结肠直肠癌 (CRC) 需要在治疗后进行准确的预后.
• 内镜切除和手术是T1 CRC的常见治疗方式.
• 预测术后复发对于患者管理至关重要.

研究的目的:

• 开发和验证一种生存机器学习模型,用于预测T1 CRC患者的复发.
• 确定术后复发的关键预测因素.
• 加强个性化风险评估和治疗规划.

主要方法:

• 利用来自两个医院的580名T1CRC患者的数据.
• 应用Boruta算法用于特征选择.
• 构建并比较了五种生存机器学习模型:随机生存森林 (RSF),梯度增强 (GB),生存树 (ST),CoxPH和Coxnet.
• 使用SHAP算法来实现模型的可解释性.

主要成果:

• 随机生存森林 (RSF) 模型表现出卓越的性能 (C指数:0.848,综合障碍得分:0.098,时间依赖的AUC:0.918).
• 发现的关键预测因素包括粘膜下侵袭深度 (<1000微米),没有淋巴血管侵袭,没有围神经侵袭,分化的细胞和较小的瘤大小 (<20毫米).
• 淋巴结转移的风险与不良预后有关,无论治疗方式如何.

结论:

• 一个基于T1CRC的生存机器学习的预后模型提供了高的预测准确性.
• 该模型为术后复发提供可靠的个性化预测.
• 这种工具可以帮助临床医生改进T1CRC患者的治疗策略.