一种基于机器学习的工具,用于初步评估肝细胞癌中微血管侵袭的风险

科学领域:

• 肝细胞癌研究
• 癌症学
• 医疗信息学

背景情况:

• 微血管侵袭 (MVI) 是肝癌手术后复发的一个关键预测因素.
• 精确的手术前MVI评估和切除边缘 (RM) 规划对于改善HCC患者的结果至关重要.

研究的目的:

• 开发一个预测模型,用于手术前评估HCC患者的MVI.
• 利用现有的临床和血液学特征进行MVI风险分层.
• 为临床医生创建一个易于使用的工具来评估MVI风险.

主要方法:

• 对1651名接受肝切除的HCC患者进行回顾性分析.
• 使用拉索回归和关联分析与逻辑回归和受限立方线的特征选择.
• 使用临床和血液学数据开发和验证7个机器学习模型,包括LightGBM.

主要成果:

• 与MVI相关的已知手术前因素:年龄,血栓时间,INR,AST,直接胆红素,AFP,MCV,多焦点性,瘤大小和纤维素/INR.
• 轻GBM模型显示出强大的预测性能 (AUC为0.84训练,0.78验证,0.78测试组).
• 该模型有效地将患者分为高风险和低风险MVI组,影响无复发存活率 (RFS),并显示高风险患者的RFS有所改善.

结论:

• 使用可访问特征的LightGBM模型准确预测HCC患者的MVI风险.
• 该模型有助于快速评估风险,并可指导手术决策.
• 为方便临床应用MVI预测模型,开发了一个基于网络的计算器.