一种用于预测卵巢癌中淋巴结阳性的机器学习模型:开发,验证和临床应用

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 卵巢癌 (OC) 是一种致命的妇科恶性瘤,预后不佳,通常在晚期被诊断出来.
• 淋巴结的参与是OC的关键预后因素,影响治疗计划.
• 预测淋巴结的阳性是具有挑战性的,因为疾病的异质性和传统模型的局限性与高维度,不平衡的数据.

研究的目的:

• 开发和验证一种机器学习模型,用于预测卵巢癌中淋巴结的阳性.
• 确定OC患者淋巴结参与的关键临床预测因素.
• 创建一个用户友好的工具,用于OC管理中的临床决策支持.

主要方法:

• 来自SEER数据库 (2000-2021) 的26,844名OC患者的回顾性分析.
• 使用XGBoost开发机器学习模型,用于类不平衡的SMOTE和用于特征选择的LASSO.
• 外部验证使用来自福建省妇幼医院的独立队列.

主要成果:

• XGBoost模型实现了高性能,在训练集中AUC为0.98,在外部验证中为0.847.
• 确定的主要预测特征包括瘤大小 (≥5厘米),组织学亚型和化疗.
• SHAP分析表明瘤大小是预测淋巴结阳性最有影响的因素.

结论:

• 该研究提出了第一个用于预测OC淋巴结阳性性的机器学习模型,该模型在不同的队列中得到了验证.
• 免费的在线计算器可用于帮助临床医生估计淋巴结阳性风险.
• 该工具支持个性化治疗决策,有可能改善患者的治疗结果;未来的研究应该纳入分子数据.