基于人工智能的机器学习模型在预测乳腺癌中HER2/neu基因状态方面的作用

科学领域:

• 在瘤学瘤学.
• 生物医学信息学 生物医学信息学
• 机器学习在医学中的应用

背景情况:

• 精确确定人类表皮生长因子受体2 (HER2) 状态对于乳腺癌治疗选择至关重要.
• 现有的HER2评估方法可能耗时,可能存在局限性.
• 人工智能驱动的预测模型为更高效,更准确的HER2状态确定提供了潜在的途径.

研究的目的:

• 研究基于AI的机器学习 (ML) 模型的预测效果,以确定乳腺癌患者的HER2状态.
• 确定预测HER2阳性性的关键临床和病理变量.
• 在独立的外部队列上验证ML模型的性能.

主要方法:

• 分析了3424名乳腺癌患者的队列.
• 多变量逻辑回归确定了HER2阳性的预测因素.
• 在3324名患者身上训练了一种XGBoost ML模型 (80%的训练,20%的测试).
• 对100个盲人病例进行了外部验证.

主要成果:

• 多变量分析确定年龄≤40岁,瘤多中心性,高瘤等级,高等级DCIS,N3阶段和负ER状态作为HER2阳性独立预测因素 (p <0.05).
• 在XGBoost模型的训练和测试组中,XGBoost模型在训练和测试组中获得了95%的准确性 (AUC = 0.95).
• 该模型确定的关键预测因素包括DCIS存在/程度,瘤多重性和ER状态.
• 外部验证显示该模型的灵敏度为90.5%,特异性为84.4%.

结论:

• 基于AI的ML模型在乳腺癌中确定HER2状态方面显示出有前途的预测效果.
• 开发的模型准确地识别了HER2阳性病例,可能指导治疗决策.
• 这些发现表明,ML可以帮助选择适合乳腺癌患者的向治疗方法.
• 建议使用更大的数据集进行进一步验证,以概括发现.