儿童肝细胞瘤的预后预测:机器学习模型的开发和验证 - - 一项基于SEER的研究

科学领域:

• 儿科瘤学 儿科瘤学
• 计算生物学 计算生物学
• 医疗信息学 医疗信息学

背景情况:

• 肝母细胞瘤 (HB) 是最常见的儿科肝癌,对健康构成重大风险.
• 对于HB的传统预后方法有局限性.
• 机器学习 (ML) 在精准医学中提供了改善预后预测的潜力.

研究的目的:

• 开发和验证基于ML的整体生存 (OS) 的预测模型,用于儿科HB患者.
• 为了提高预后评估和改善患者的生活质量.
• 为了确定影响HB患者存活率的显著预后因素.

主要方法:

• 利用来自监测,流行病学和最终结果 (SEER) 数据库 (2000-2021) 的525名儿科HB患者的数据.
• 开发并比较了四种ML模型:决策树,随机生存森林 (RSF),梯度增强生存分析 (GBSA) 和支持向量机器 (SVM).
• 使用曲线下的面积 (AUC) 和C指数评估模型性能;使用SHAP图表来解释变量.

主要成果:

• 确定了六个重要的预后因素:年龄,瘤大小,淋巴结入侵,转移状态,手术治疗和化疗.
• 在训练和验证队列中,RSF模型表现出优异的预测性能 (例如,5年AUC在训练中为0.809,在验证中为0.765).
• SHAP分析强调了手术治疗,转移状态和瘤大小是最有影响力的变量.

结论:

• 成功开发和验证了ML模型来预测HB患者的预后.
• 该RSF模型显示出有很大的潜力,可以帮助临床医生做出个性化治疗决策,并提高生存预测的准确性.
• 基于ML的方法可以优化儿科肝细胞瘤的预后和管理.