使用机器学习的肝细胞癌患者的淋巴结转移:一个基于人口的研究.

科学领域:

• 在瘤学瘤学.
• 机器学习 机器学习
• 医疗信息学 医疗信息学

背景情况:

• 肝细胞癌 (HCC) 是一个主要的全球健康问题.
• 在HCC中精确预测淋巴结转移 (LNM) 对患者的管理和预后至关重要.
• 目前用于HCC中LNM预测的方法可能缺乏精度,需要改进的工具.

研究的目的:

• 开发和验证适应人群的机器学习模型,用于预测HCC中的LNM.
• 确定与HCC患者的LNM风险相关的关键指标.
• 为临床医生提供可靠的工具来识别需要密集监测的高风险HCC患者.

主要方法:

• 来自SEER数据库的大队列 (23,511名患者) 和来自当地医院的较小队列 (57名患者) 的分析.
• 利用了七个已识别的LNM风险指标.
• 开发了使用决策树 (DT),物流回归 (LR),多层感知器 (MLP) 和极端梯度提升 (XGBoost) 算法的预测模型.
• 使用曲线下面面积 (AUC),精度,灵敏度和特异性评估模型性能.

主要成果:

• 淋巴结转移 (LNM) 在7.14%的SEER队列中存在.
• LNM的独立预测因素包括种族,序列号,瘤大小,T阶段和AFP水平.
• 后勤回归 (LR) 模型表现出最佳性能,在SEER队列中AUC为0.751.
• 在本地队列中进行的外部验证显示,LR模型具有强大的概括性 (AUC:0.73).

结论:

• 基于LR的机器学习模型对HCC中的LNM表现出卓越的预测能力.
• 该模型作为一个有价值的临床工具,用于指导HCC管理中的个性化治疗策略.
• 这些发现支持使用机器学习来提高HCC患者分层的精度.