通过机器学习进行结合性临床病理-放射性-血液模型,通过机器学习预测质瘤生存率:一个多中心队列研究
Zhihao Wang1, Tao Chang1, Jing Yang2
1Department of Neurosurgery, West China Hospital, Sichuan University, Chengdu, China.
Neurosurgical review
|July 12, 2025
概括
这项研究开发了一种机器学习模型,将临床病理学,成像和血液数据结合起来,以预测质瘤患者的生存率. 临床病理学-放射性血液模型 (CRBM) 显示了在质瘤中准确预测存活的潜力.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 机器学习 机器学习
- 生物统计学 生物统计学
背景情况:
- 质瘤的预后不好,治疗选择有限.
- 现有的预测模型往往缺乏数据集成.
- 这项研究旨在利用全面的医疗数据来改善质瘤预测.
研究的目的:
- 开发一个机器学习模型,整合各种数据类型,用于质瘤生存预测.
- 为了提高预后准确性,利用常规临床数据.
- 探索机器学习在变量选择和质瘤模型构建中的实用性.
主要方法:
- 从674名质瘤患者中收集了人口统计,放射性,实验室和病理特征.
- 使用机器学习量化术前图像和血液测试.
- 采用多变量考克斯回归和七个机器学习算法用于模型开发.
主要成果:
- 开发了一个临床病理学-放射性-血液模型 (CRBM) 用于质瘤死亡风险分层.
- 实现了CRBM的高AUC值,表明了强大的预测性能.
- 莎普利添加剂解释 (SHAP) 强调了成像和实验室数据的重要性.
结论:
- 该CRBM准确预测质瘤患者的存活率.
- 结合的临床数据具有预测质瘤存活率的巨大潜力.
- 机器学习对于变量选择和构建预测模型非常有价值.
