开发一种使用机器学习的预后工具,以在不同解剖部位中识别高风险的粘膜皮质瘤患者
1Department of Stomatology, Children's Hospital of Chongqing Medical University, National Clinical Research Center for Child Health and Disorders, Ministry of Education Key Laboratory of Child Development and Disorders, China International Science and Technology Cooperation Base of Child Development and Critical Disorders, Chongqing Key Laboratory of Structural Birth Defect and Reconstruction, No.136, Zhongshan 2 Road, Yuzhong District, Chongqing 400014, China.
Journal of stomatology, oral and maxillofacial surgery
|July 11, 2025
概括
这项研究开发了一种机器学习工具,使用通用添加模型 (GAM) 来预测各种部位的粘膜腺癌 (MEC) 患者的预后. 该工具有助于识别高风险个体,以定制治疗策略.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
背景情况:
- 粘膜皮质瘤 (MEC) 可以发生在各种解剖位置,使预后复杂化.
- 准确预测MEC预后对于有效的临床管理和治疗规划至关重要.
研究的目的:
- 开发和验证机器学习模型,用于在不同解剖部位预测粘膜皮质癌 (MEC) 患者的预后.
- 创建一个新的,用户友好的预后工具,用于在临床实践中识别高风险MEC患者.
主要方法:
- 分析了来自不同解剖部位的6280名MEC患者的回顾性队列.
- 构建和评估了五个机器学习模型 (SVM,RF,GAM,XGBoost,LightGBM).
- 一般化添加模型 (GAM) 被确定为预后预测中表现最好的模型.
主要成果:
- 在预测MEC患者预后方面,GAM模型表现出卓越的性能.
- 基于GAM开发了一个基于网络的预后工具,它包含了年龄,年级和阶段等重要变量.
- 该工具有助于识别不同MEC病例和解剖位置的不同预后风险.
结论:
- 使用GAM的在线预后工具提高了识别高风险MEC患者的准确性.
- 解剖位置不是影响MEC生存结果的重要因素,这表明共享的病原遗传机制.
- 开发的工具支持MEC的临床决策和个性化治疗策略.
