开发和验证一种血清炎症生物标记驱动的机器学习模型,用于在手术有限阶段小细胞肺癌中预后分层
Zhiyuan Yao1, Changlei Li2, Fengyi Han1
1Department of Thoracic Surgery, The Affiliated Hospital of Qingdao University, Qingdao, China.
Translational lung cancer research
|September 15, 2025
概括
这项研究开发了一种机器学习模型,使用手术前的炎症和营养标志物来预测接受手术的小细胞肺癌 (SCLC) 患者的结果. 该模型对识别那些将从手术干预中获益最多的患者有希望.
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:
- 小细胞肺癌 (SCLC) 缺乏强大的预后标志物,因此需要新的个性化治疗模式.
- 手术前的血清性炎症和营养指数正在探索它们在SCLC的预后价值.
研究的目的:
- 开发一种预测模型,用于使用手术前血清指数进行手术的SCLC患者的预后.
- 确定可靠的血清学标志物和临床因素,以预测SCLC的整体存活率 (OS) 和无进展存活率 (PFS).
主要方法:
- 利用机器学习算法 (10种类型,101种组合) 构建一个预测模型和名ogram.
- 包括219名SCLC患者,随机将数据分为培训 (70%) 和验证 (30%) 队列.
- 使用C指数,卡普兰-梅尔曲线,日志等级测试和考克斯回归分析评估模型性能.
主要成果:
- 随机森林模型实现了0.784.78的高C指数.
- 预后营养指数 (PNI) 和中性粒细胞与淋巴细胞比率 (NLR) 被确定为关键预后标志物.
- 吸烟状态和TNM阶段是OS的独立预后指标.
结论:
- 结合血清学索引的机器学习模型可以有效估计SCLC患者的长期预后.
- 这种模型可以作为一种实际的工具来识别胸部手术的最佳候选人.
更多相关视频
08:14MicroRNA Based Liquid Biopsy: The Experience of the Plasma miRNA Signature Classifier MSC for Lung Cancer Screening
Published on: October 26, 2017
16.1K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.6K