MoLPre:一个机器学习模型来预测cT1固体肺癌的转移
Jie Lan1, Heng Wang1, Jing Huang2
1Department of Bioinformatics, The Basic Medical School of Chongqing Medical University, Chongqing, China.
Clinical and translational science
|March 27, 2025
概括
在早期肺癌 (cT1) 中早期检测转移是至关重要的. 一个新的随机森林模型准确地预测转移,帮助治疗规划和非小细胞肺癌 (NSCLC) 患者的风险分层.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 超过20%的临床T1 (cT1) 固体非小细胞肺癌 (NSCLC) 患者出现结节或胸外转移.
- 早期发现转移对于优化治疗策略和临床实践中患者风险分层至关重要.
研究的目的:
- 开发和验证cT1固体NSCLC患者转移的预测模型.
- 确定影响转移预测的关键临床特征.
- 创建一个用户友好的工具,用于临床应用.
主要方法:
- 利用了2018-2022年早期孤独肺癌患者的临床病理学数据.
- 采用随机森林和沙普利添加式解释 (SHAP) 进行特征选择,确定9个关键预测因素.
- 开发并比较随机森林,梯度增强和AdaBoost分类器用于转移预测.
主要成果:
- 随机森林模型实现了0.93的平均精度和0.92的曲线下的面积 (AUC) (95%CI:0.88-0.94).
- 在内部验证中表现优于梯度提升 (AUC 0.87) 和AdaBoost (AUC 0.90) 分类器.
- 该模型在五个诊断指数中表现出卓越的性能.
结论:
- 开发的随机森林模型准确地预测cT1固体NSCLC中的转移.
- MoLPre网络应用程序 (https://molpre.cqmu.edu.cn/) 整合了这种模型,用于实际的临床决策支持.
- 这种工具可以提高转移预测,帮助治疗规划和风险分层.
