可解释的深度学习模型WAL-net用于对癌症患者潜在可逆性营养不良的个性化评估:一个多中心队列研究

科学领域:

• 在瘤学瘤学.
• 机器学习在医学中的应用
• 营养科学 营养科学

背景情况:

• 持续的营养不良会对癌症患者的结果产生负面影响.
• 在癌症中评估营养不良的可逆性是临床上具有挑战性的.
• 早期发现可逆性营养不良 (RM) 对于及时干预至关重要.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测住院癌症患者的可逆性营养不良 (RM).
• 评估开发的ML模型的性能,可解释性和临床相关性.

主要方法:

• 一项多中心队列研究,涉及4254名被诊断为营养不良的癌症患者.
• 对体重和骨肌肉的时间序列数据使用长期短期记忆 (LSTM) 深度学习架构 (WAL-net) 进行了分析.
• 在测试和外部验证集上,使用曲线下的面积 (AUC) 评估模型性能.

主要成果:

• WAL-net模型显示了RM的高预测性能 (测试组中的AUC=0.924,外部验证中的AUC=0.909).
• 在17.7%的患者中发现可逆性营养不良,并显示出与非可逆性病例不同的模式.
• 使用基线数据预测的RM与体重不足,肉症和表现下降的风险降低有关.

结论:

• 可解释的深度学习模型WAL-net有效预测癌症患者的可逆性营养不良.
• 早期识别RM可以指导管理策略,以优化患者的治疗结果.
• 这种方法支持多学科的癌症护理,使积极的营养干预措施.