基于机器学习模型的方法,使用细胞增殖标记表达用于肝细胞癌患者的手术前临床决策

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 机器学习 机器学习

背景情况:

• 肝细胞癌 (HCC) 管理需要准确的手术前决策.
• 细胞增殖标志物,如Ki-67,对于评估瘤的攻击性至关重要.

研究的目的:

• 开发和验证用于预测HCC患者治疗结果的机器学习模型.
• 评估基67表达型模型的临床实用性,用于HCC的手术前决策支持.

主要方法:

• 利用了164名HCC患者的重建断层扫描图像,分析了内和周区域.
• 用于特征选择的最小绝对收缩和选择操作员 (LASSO) 回归.
• 构建了一个纳米图集Radscore和临床风险因素,通过ROC和校准曲线进行验证.

主要成果:

• 机器学习模型表现出了出色的校准,预测的概率与实际结果紧密相匹配.
• 决策曲线分析证实了该模型在指导HCC治疗决策方面的显著临床益处.
• 该模型有效预测了患者的结果,有助于手术前临床决策.

结论:

• 开发的基于Ki-67表达的机器学习模型显示了增强HCC临床决策的前景.
• 需要进一步的前性,多中心研究,采用更大的样本大小,以加强临床适用性.
• 纳入瘤特征和癌症阶段可以进一步完善模型对HCC患者的预测能力.