女性乳腺癌发病率风险预测模型的开发和性能:系统性审查和元分析

科学领域:

• 在瘤学瘤学.
• 生物统计学 生物统计学
• 医疗信息学 医疗信息学

背景情况:

• 准确的乳腺癌风险预测对于早期检测和个性化预防至关重要.
• 传统模型 (Gail,Tyrer-Cuzick) 被广泛使用,但可能会被机器学习所超越.
• 机器学习 (ML) 提供了提高乳腺癌风险评估预测准确性的潜力.

研究的目的:

• 系统地审查和比较传统的统计和机器学习模型对乳腺癌风险的预测准确度.
• 评估模型歧视 (C统计) 和校准 (O/E比率).
• 评估数据类型 (遗传,临床,成像) 和人口多样性对模型性能的影响.

主要方法:

• 来自27个国家的144项研究的系统审查和元分析.
• 包括利用遗传,临床和成像数据进行风险预测的研究.
• 计算聚合的C统计数据用于歧视和O/E比率用于校准,并进行子组和敏感性分析.

主要成果:

• 机器学习模型比传统模型 (0.67) 取得了更高的C统计数据 (0.74).
• 整合遗传和成像数据的模型表现出最高的准确性,性能因人群而异.
• 传统模型在非西方人群中显示出较差的预测准确性 (在中国人群中C-统计值为0.543).

结论:

• 机器学习模型为乳腺癌风险提供了更高的预测准确性,特别是使用多维数据.
• 在模型的概括性和解释性方面仍然存在挑战,特别是在不同的人口中.
• 未来的研究应该优先考虑可解释的ML模型和全球验证,以提高适用性.