通过机器学习检测与HPV相关的口腔癌中的外节延伸

科学领域:

• 在瘤学瘤学.
• 机器学习 机器学习
• 数据科学数据科学数据科学

背景情况:

• 外节延伸 (ENE) 是各种癌症的关键预后因素.
• 准确预测NEE对于治疗计划和患者管理至关重要.
• 机器学习 (ML) 提供了提高ENE预测准确性的潜力.

研究的目的:

• 评估在大型公共数据库上训练的ML模型的性能,以预测ENE.
• 评估这些ML模型在一个较小,独立的单一机构队列上的通用性.
• 确定在临床实践中使用ML用于ENE预测的可行性.

主要方法:

• 用国家癌症数据库 (NCDB) 的数据训练和验证了ML算法 (n=5551).
• 六个关键的ENE相关变量被用作预测因素.
• 对WVU (n=62) 的独立队列进行模型性能评估,以模拟现实世界的验证.

主要成果:

• 对于ENE预测,ML模型实现了接收器运行特征曲线 (AUC ROC) 下的平均面积为0.74.
• AdaBoost,XGBoost和整体模型显示出有希望的性能,AUC ROCs在0.71到0.75之间.
• 模型表现出合理的精度和特异性,尽管对ENE预测的敏感性是适度的.

结论:

• 在大型瘤数据集 (NCDB) 上训练的ML算法可以有效地预测ENE.
• 开发的ML模型具有良好的概括性,并在现实临床环境中准确预测ENE.
• 这项研究证实了使用ML用于ENE预测的可行性,支持其潜在的临床实用性.