基于SEER数据库的各种机器学习算法,用于预测小细胞肺癌骨转移的模型开发和验证
Shuai Qie1, Xin Zhang, Jiusong Luan
1Department of Radiation Oncology, Affiliated Hospital of Hebei University, Baoding, Hebei Province, PR China.
Medicine
|March 24, 2025
概括
这项研究开发了一种先进的机器学习模型,用于预测小细胞肺癌 (SCLC) 患者的骨转移 (BM). 由此产生的基于XGBoost的网络工具有助于临床医生识别高风险个体,以便做出更好的治疗决策.
科学领域:
- 在瘤学瘤学.
- 机器学习 机器学习
- 生物统计学 生物统计学
背景情况:
- 小细胞肺癌 (SCLC) 在预测骨转移 (BM) 方面提出了重大挑战.
- 准确预测BM对于及时干预和改善SCLC患者的结果至关重要.
- 现有的预测模型可能缺乏有效临床应用所需的精度.
研究的目的:
- 开发一种高性能机器学习算法,用于预测小细胞肺癌 (SCLC) 的骨转移 (BM).
- 创建一个用户友好的,基于Web的预测工具,用于临床决策支持.
- 确定关键的人口和临床病理因素与SCLC患者的BM风险相关.
主要方法:
- 利用来自监测,流行病学和最终结果数据库 (2010-2018) 的大量数据集 (89,366 名患者).
- 开发并比较了12个机器学习模型,包括XGBoost,SVM和随机森林.
- 使用AUC,准确性,精度,回忆,F1分数和Brier分数等指标评估模型性能.
主要成果:
- XGBoost算法表现出优异的预测性能,AUC得分为0.965 (训练),0.962 (验证) 和0.961 (测试).
- 确定年龄,T阶段,N阶段,肝/肺/大脑转移,婚姻状况,收入,M阶段和AJCC阶段作为SCLC中BM的独立风险因素.
- 成功开发了一个基于验证的XGBoost模型的基于Web的预测工具.
结论:
- 基于XGBoost的机器学习模型提供了一个非常准确的方法来预测SCLC中的骨转移.
- 开发的网络预测器可以作为临床医生在管理SCLC患者的宝贵工具.
- 了解已识别的风险因素可以指导个性化风险评估和治疗策略,为SCLC患者在BM的风险.
