在4年级质瘤中使用监督机器学习模型进行自动化特征学习和生存预测

科学领域:

• 神经瘤学神经瘤学
• 机器学习在医学中的应用
• 生物统计学 生物统计学

背景情况:

• 世卫组织4级质瘤的预后不佳 (14.6个月的中位生存期).
• 由于瘤异质性和临床因素,预测结果是复杂的.
• 机器学习 (ML) 模型比传统方法更有前途.

研究的目的:

• 开发一个数据驱动的ML管道,用于预测4级质瘤生存率.
• 使用 SHAP 值和自动化功能优化.
• 确定最佳预测因素以最大限度地提高模型的准确性.

主要方法:

• 对764名4级质瘤患者的回顾性分析.
• 训练了五个ML模型 (XGBoost,AdaBoost,随机森林,决策树,神经网络).
• 使用SHAP来优化特征重要性和子集,并通过交叉验证和持久测试进行验证.

主要成果:

• 特征选择显著提高了预测准确度.
• 在回归中,AdaBoost获得了最低的RMSE (1.69个月);XGBoost在分类中获得了最高的AUROC (0.85).
• 关键预测因素:年龄,瘤位置,辐射剂量,切除程度,KPS,MGMT甲基化,Ki-67,ATRX,TP53和特定的功能缺陷.

结论:

• 基于ML的特征选择通过减少偏差来提高4级质瘤存活率预测.
• 整体模型,特别是AdaBoost,显示出强大的预测能力.
• 研究结果支持个性化治疗规划和患者咨询.