在直肠癌中预测淋巴结转移:使用临床数据开发和验证机器学习模型

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 放射学 放射学是一门学科.

背景情况:

• 结直肠癌 (RC) 构成严重的健康负担,淋巴结转移 (LNM) 严重影响患者的治疗结果.
• 对于RC中LNM的传统诊断方法有局限性,导致需要先进的预测工具.
• 临床数据集成为开发准确的LNM预测模型提供了一个有希望的途径.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测直肠癌患者的LNM风险.
• 用临床和成像数据评估11种不同的ML算法的性能.
• 确定直肠癌中LNM的关键预测因子.

主要方法:

• 从SEER数据库和外部医院队列中对2454名直肠癌患者进行了回顾性分析.
• 计算机断层扫描 (CT) 扫描衍生的淋巴结特征与临床病理学数据的整合.
• 开发和评估11个ML模型,包括XGBoost,随机森林和梯度提升,使用AUC,校准和决策曲线分析.

主要成果:

• XGBoost (XBG) 模型显示出卓越的跨队列稳定性和最小的校准误差.
• 内部验证的AUC从0.859到0.964不等,随机森林和极端随机树的表现最高.
• 外部验证的AUC从0.735到0.838不等,梯度提升和XGBoost表现最好.

结论:

• 在RC中,成功开发并验证了11个ML模型用于LNM风险预测.
• XGBoost 模型是最优的,在内部和外部验证集中显示出强大的预测能力.
• 通过ML将CT扫描数据与临床病理学发现整合在一起,有很大的潜力改善RC的早期诊断和个性化治疗.