基于动态瘤标志物的机器学习模型的开发和验证,用于预测局部晚期直肠癌患者在新辅助化学放射治疗后的病理完整反应:一个多中心队列研究

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:

• 准确预测病理完整反应 (pCR) 对于优化局部晚期直肠癌 (LARC) 的新辅助化疗放射治疗 (NCRT) 至关重要.
• 目前的预测方法往往缺乏对瘤标记物的动态评估.
• 像CEA和CA19-9这样的瘤标志物的动态变化可能提供有价值的预后信息.

研究的目的:

• 开发和验证一种新的机器学习模型,用于预测LARC患者的pCR.
• 将基于NCRT前后标记变化的动态瘤标记得分 (DTMS) 纳入预测模型.
• 用各种验证指标和外部数据集评估开发模型的性能.

主要方法:

• 来自三家医院的892名LARC患者的回顾性分析 (2010年9月至2017年10月).
• 使用后勤回归构建DTMS预测器.
• 使用单变量和多变量逻辑回归对预测因素的选.
• 使用10个机器学习算法开发一个pCR预测模型,包括极端梯度增强 (XGB).
• 使用AUC,AUPRC,决策曲线分析,校准曲线和外部验证集的模型验证.
• 使用夏普利添加式解释 (SHAP) 值来解释预测模型.

主要成果:

• DTMS,瘤大小,N阶段和瘤距离门边缘的距离被确定为pCR的独立预测因素.
• XGB模型表现出卓越的性能,在训练组中达到0.86的AUC和0.732的AUPRC.
• 外部验证产生了高AUC值 (0.80和0.82) 和AUPRC值 (0.519和0.593),证实了强大的预测疗效.
• 用SHAP值来解释模型,并开发了一个用户友好的网站.

结论:

• 从动态CEA和CA19-9水平获得的新型DTMS是LARC中pCR的重要预测因素.
• 结合DTMS的基于XGB的预测模型为LARC管理中的临床决策提供了实用和有效的工具.
• 这种方法通过准确预测治疗反应来增强个性化治疗策略.