机器学习驱动的肺癌药物疗效预测:基于蛋白质生物标志物和临床特征

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 人工智能的人工智能

背景情况:

• 化疗是肺癌的主要治疗方法,但有效性评估具有挑战性.
• 机器学习 (AI) 通过整合各种患者数据,提供先进的预测能力.
• 准确预测生存率和风险分层对于优化肺癌治疗至关重要.

研究的目的:

• 评估机器学习模型在预测肺癌患者整体存活率 (OS) 和无进展存活率 (PFS) 的有效性.
• 为了比较十种不同的机器学习模型的生存预测性能.
• 评估这些模型在将肺癌患者分为高风险和低风险组中的实用性.

主要方法:

• 收集了2115名肺癌患者的临床和血液学数据.
• 训练并评估了十个机器学习模型 (决策树,随机森林,物流回归,k-NN,AdaBoost,XGBoost,CatBoost) 用于OS和PFS预测.
• 使用曲线下的面积 (AUC) 评估模型性能,并分析风险分层能力.

主要成果:

• CatBoost模型在预测3年的OS和PFS方面表现出卓越的表现,AUC分别为0.97和0.95.
• CatBoost在区分高风险和低风险患者方面表现出色,在各种时间点 (1,3,5年) 显示出强大的预测能力.
• 所有评估的模型都显示出风险分层的有效性,CatBoost是最熟练的.

结论:

• 机器学习模型,特别是CatBoost,是预测肺癌存活率和分层患者风险的有效工具.
• 这些人工智能驱动的模型可以帮助临床医生为个性化肺癌治疗策略做出更明智的决定.
• 该研究强调了人工智能在改善肺癌临床预测和治疗计划方面的潜力.