一个自动化的机器学习模型用于跨动脉化学栓塞后中期肝细胞癌的预后风险分层

科学领域:

• 肝胆瘤学 肝胆瘤学
• 机器学习在医学中的应用
• 癌症预后 癌症预后

背景情况:

• 缺乏非侵入性,自动化和准确的机器学习 (ML) 模型,用于跨动脉化学栓塞 (TACE) 后中期肝细胞癌 (HCC) 的预后风险分层.
• 需要为医生管理TACE后的HCC患者提供改进的决策工具.

研究的目的:

• 开发和验证一个机器学习 (ML) 模型,用于TACE后的中期HCC患者的预后风险分层.
• 为医生提供自动化和准确的工具,以协助临床决策.

主要方法:

• 从七家三级医院 (从2008年4月至2022年10月) 追溯招募4,426名接受传统TACE (cTACE) 的中期HCC患者.
• 利用自然语言处理 (NLP) 技术从电子医疗记录中提取临床数据,用于ML模型开发.
• 评估了使用2年HCC相关死亡和癌症相关存活 (CRS) 作为主要结局的ML模型性能,与生物标志物进行比较.

主要成果:

• 开发了6个ML模型,其中XGBoost模型显示出卓越的预测性能.
• 在XGBoost模型中,预后风险分层的AUC为0.842 (训练),0.815 (内部测试) 和0.798 (外部测试).
• 通过XGBoost模型识别的高风险患者,接受TACE与微波切除相结合,其累积CRS率明显高于单独接受TACE治疗的患者.

结论:

• 成功开发了一种非侵入性,自动化和准确的ML模型 (XGBoost),用于TACE后中期HCC的预后风险分层.
• XGBoost 模型表现出强大的性能,并有助于识别可能受益于组合疗法的患者.
• 这种ML工具可以帮助临床医生优化HCC患者的治疗策略.