开发和验证一种机器学习模型,用于预测肝细胞癌患者的肺转移

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 生物统计学 生物统计学

背景情况:

• 肺转移性肝细胞癌 (HCC-PM) 是肝细胞癌 (HCC) 的常见并发症.
• 现有的模型在预测HCC-PM风险方面缺乏有效性.
• 对HCC-PM.有需要准确的预测工具.

研究的目的:

• 开发和验证HCC患者中HCC-PM风险的精确预测模型.
• 确定与HCC-PM.相关的独立风险因素.
• 为临床风险评估创建一个用户友好的工具.

主要方法:

• 从SEER数据库 (2010-2018) 中回顾分析了20346个HCC病例.
• 在数据不平衡方面应用合成少数超样本技术 (SMOTE).
• 使用Boruta算法和逻辑回归进行特征选择;开发和评估八种机器学习模型.
• 使用Shapley添加式解释 (SHAP) 分析特征重要性.

主要成果:

• 确定年龄,种族,TNM阶段,骨/大脑转移,辐射,化疗和手术作为HCC-PM的独立风险因素.
• 随机森林 (RF) 模型表现出卓越的性能 (AUC 0.894培训,0.830验证).
• 基于RF算法开发了一个基于Web的工具,用于风险估计.

结论:

• 开发的机器学习模型使用临床参数,TNM阶段和治疗数据准确预测HCC-PM风险.
• 这种模型为HCC患者提供了精确的风险分层.
• 该工具支持临床决策和HCC的个性化管理.