使用基于临床实验室数据的机器学习模型预测肺癌转移

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:

• 淋巴结 (N) 或肺癌的远程转移显著恶化预后.
• 当前的诊断方法,如CT扫描,往往需要与其他测试结合进行有效的转移评估,从而限制了临床效用.
• 预测N参与和跳过N转移对于准确的肺癌分期和治疗计划至关重要.

研究的目的:

• 开发和评估机器学习 (ML) 模型,用于预测淋巴结入侵 (N) 和跳过N转移 (M) 在肺癌中.
• 确定作为N和M转移的预测指标的关键临床实验室参数.
• 利用多样化的临床数据,提高肺癌转移评估的准确性.

主要方法:

• 对经过组织病理学诊断的肺癌病例进行了回归分析.
• 单变量分析和LASSO回归被用于从临床实验室数据中识别显著预测因素.
• 四个ML算法被用来构建预测模型,物流回归被认为是最佳的.

主要成果:

• 对1629例病例的分析显示,N组和M组之间的许多参数存在显著差异.
• 拉索回归确定了N转移的13个关键因素和M转移的12个关键因素.
• 最佳后勤回归模型实现了高预测性能,AUC值为N转移的0.888和M转移的0.875.

结论:

• 使用临床实验室数据的机器学习算法显示了预测N参与和跳过N转移在肺癌中的显著潜力.
• 已识别的关键预测因子提供了对肺癌转移背后的生物学机制的见解.
• 这些基于ML的预测模型可以增强肺癌患者的临床决策.