预测乳腺癌患者新辅助疗法后的病理完整反应:在回顾性研究中开发基于机器学习的预测模型
Chun-Chi Lai1,2, Cheng-Yu Chen3,4,5,6,7, Tzu-Hao Chang1,8
1Graduate Institute of Biomedical Informatics, College of Medical Science and Technology, Taipei Medical University, 9th Floor, 301 Yuantong Road, Zhonghe District, Taipei, Taiwan, 886 66202589 ext 10928.
JMIR cancer
|July 18, 2025
概括
机器学习模型可以预测接受新辅助治疗的乳腺癌患者的病理完整反应 (pCR). 纳入乳腺超声波数据显示,对预测pCR的适度改善,这表明其在临床工作流程中的潜在价值.
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:
- 乳腺癌是全球领先的癌症,新辅助疗法显示出改善的结果.
- 病理完整反应 (pCR) 是乳腺癌治疗的关键预后标志物.
- 预测pCR对于定制新辅助疗法和改善患者存活率至关重要.
研究的目的:
- 开发机器学习模型来预测乳腺癌新辅助疗法后的pCR.
- 评估临床,实验室和成像数据对预测准确性的影响.
- 为了确定最佳的特征和算法,以进行可靠的pCR预测.
主要方法:
- 一项回顾性队列研究分析了334名乳腺癌患者 (2015-2022年).
- 机器学习模型 (逻辑回归,随机森林,SVM,XGBoost) 使用临床,实验室和超声波数据进行训练.
- 使用递归特征消除与交叉验证用于特征选择.
主要成果:
- 逻辑回归与递归特征消除证明了最佳性能.
- 结合临床数据的模型实现了0.73.7的AUROC.
- 添加实验室数据并没有显著改善预测;乳房超声波显示在患者的一个子集中略有改善.
结论:
- 机器学习模型可以预测接受新辅助治疗的乳腺癌患者的pCR.
- 乳房超声波数据可能为PCR预测提供额外的价值,需要进一步调查.
- 综合超声波的验证模型可以增强新辅助乳腺癌治疗的临床决策.
更多相关视频
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
199
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.9K
