使用深度学习对节省乳头乳房切除术与修改的激进乳房切除术的个性化分析

科学领域:

• 在瘤学瘤学.
• 手术瘤学手术瘤学
• 生物统计学 生物统计学

背景情况:

• 评估乳头节省乳房切除术 (NSM) 与修饰激进乳房切除术 (MRM) 的生存结果.
• 评估新辅助全身疗法 (NST) 以减少乳腺癌手术干预的需要.

研究的目的:

• 为了比较NSM和MRM之间的生存结果.
• 利用机器学习为乳腺癌患者制定先进的治疗建议.
• 为了确定NST在减少手术干预方面的有效性.

主要方法:

• 训练了五个机器学习模型进行治疗建议.
• 应用了倾向性得分匹配 (PSM) 和反向概率治疗权重 (IPTW) 来减轻偏差.
• 利用生存回归分析,包括新的平衡个体和混合效应 (BIME) 模型.

主要成果:

• 与MRM相比,NSM在所有阶段都显示出优越或非劣势的生存率.
• BIME模型在治疗建议中显示出强烈的保护作用 (IPTW危险比:0.39).
• NST将手术干预的概率降低了1.4%,局部晚期乳腺癌减少了4.5%.

结论:

• BIME模型提高了手术方法建议的准确性,改善了乳腺癌患者的生存率.
• 这些发现支持BIME在临床决策中对外科选择的潜力.
• 为了优化临床效用,需要进行全面预后评估的进一步研究.