基于炎症营养生物标志物的可解释机器学习模型,用于预测结肠直肠癌手术后的甲时性肝转移

科学领域:

• 在瘤学瘤学.
• 生物标志物 生物标志物
• 机器学习 机器学习

背景情况:

• 瘤进展受到免疫状态,新陈代谢和炎症的影响.
• 甲时性肝转移 (MLM) 是结直肠癌 (CRC) 患者在切除后的一个重大问题.

研究的目的:

• 在CRC中识别与MLM相关的炎症营养生物标志物.
• 开发和验证用于预测MLM风险的机器学习模型.

主要方法:

• 招募了680名CRC患者,随机分配到培训 (n=477) 和验证 (n=203) 组.
• 利用Boruta和Lasso算法进行特征选择,识别了9个预后因素.
• 构建并评估了七个机器学习模型,选择了梯度增强机 (GBM) 以获得最佳性能.

主要成果:

• 确定了九个关键预测因素:N阶段,血管侵袭,CEA,SII,ALBI,分化等级,PNI,脂肪肝和T阶段.
• GBM 模型实现了高性能 (AUROC: 0.916,灵敏度: 0.772,特异性: 0.871).
• 建立了CEA,PNI,SII和ALBI的风险门,将它们与MLM发展相关联.

结论:

• 开发了一个强大的GBM模型,整合了临床和生物标记数据,以便在CRC中准确地预测MLM.
• 该模型具有动态可视化和网络计算器,可促进实时风险分层.
• 有助于对CRC患者进行个性化监测和精确的术后护理.