基于实验室参数的机器学习模型的开发和验证,用于在手术前预测质瘤中Ki-67表达的预测

科学领域:

• 神经瘤学神经瘤学
• 医疗信息学 医疗信息学
• 生物统计学 生物统计学

背景情况:

• 质瘤是一种常见的大脑瘤,死亡率很高.
• 基-67增殖指数对于预测质瘤分类和预后至关重要.
• 为了更好地管理患者,需要对Ki-67水平进行非侵入性术前预测.

研究的目的:

• 开发和验证一种非侵入性机器学习 (ML) 模型,用于手术前预测质瘤中的Ki-67水平.
• 用例行实验室参数作为ML模型的特征.
• 为改善质瘤患者的预后评估和临床决策.

主要方法:

• 来自两个医疗中心的506名质瘤患者的回顾性分析.
• 使用极端梯度增强 (XGBoost),支向量机 (SVM) 和最小绝对收缩和选择运算符 (LASSO) 的特征选择.
• 10ML分类器的培训和评估,包括后勤回归 (LR),性能根据接收器操作特征曲线 (AUC) 下的区域进行评估.

主要成果:

• 选择了15个常规实验室参数作为潜在特征.
• 该LR模型表现出卓越的性能,AUC为0.838 (训练),0.800 (内部验证) 和0.757 (外部验证).
• 该LR模型以名图形式可视化,利用年龄,离子间隙,阿波利波蛋白A-1,阿波利波蛋白B,和肌来预测Ki-67水平.

结论:

• 基于常规实验室参数的逻辑回归模型成功开发,用于预测质瘤患者的Ki-67水平.
• 该模型为手术前预测提供了高灵敏度和特异性.
• 这种非侵入性方法可以帮助预后评估和临床决策,用于质瘤管理.