使用机器学习增强的常规生化测试预测结直肠癌患者的肝转移

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 生物化学 生物化学

背景情况:

• 肝转移在结直肠癌 (CRC) 中很常见.
• 预测肝转移有助于患者管理.
• 常规生物化学测试是随时可用的临床数据.

研究的目的:

• 评估机器学习 (ML) 模型用于预测CRC患者的肝转移.
• 使用常规生化测试评估ML模型的有效性.
• 确定最佳的ML模型和生化标记,用于转移预测.

主要方法:

• 在两个土耳其学术中心进行横截面研究.
• 包括810名结肠直肠癌患者在治疗前进行生化测试.
• 应用并验证了各种ML算法,包括后勤回归,ElasticNet,Lasso和K-近邻 (KNN).

主要成果:

• 后勤回归实现了高的内部验证AUC (0.956) 和精度 (0.901).
• 外部验证显示,后勤回归维持了高性能 (AUC 0.951).
• 最佳预测组合包括性酸酶 (ALP),乳酸脱酶 (LDH),癌胚抗原 (CEA) 和CA-19-9.

结论:

• 机器学习模型使用常规的生物化学测试有效预测CRC患者的肝转移.
• 后勤回归证明了强大的预测能力.
• 建议在未来的试验中进一步验证临床实施.