手术前的血陶胺分析与机器学习相结合,可以准确地预测切除术后肝细胞癌的复发

科学领域:

• 在瘤学瘤学.
• 代谢学 代谢学 代谢学
• 机器学习 机器学习

背景情况:

• 肝细胞癌 (HCC) 复发风险分层切除后具有挑战性.
• 胺 (CER) 代谢失调与HCC进展和复发有关.
• 用机器学习 (ML) 评估手术前血CER分析,用于HCC复发预测.

研究的目的:

• 评估手术前血陶胺分析和机器学习在预测HCC复发中的有效性.
• 确定主要的胺物种和预测复发的临床因素.
• 为HCC患者开发一个可解释和准确的风险分层模型.

主要方法:

• 对257名接受治疗切除的HCC患者的回顾性分析.
• 使用向性脂管学量化手术前血陶的量化.
• 开发和验证十个机器学习模型,包括梯度增强机 (GBM),使用临床数据和陶样.
• 使用AUC,C指数,校准和决策曲线分析进行绩效评估.
• 通过SHAP,相关性分析和贝叶斯因果推理来解释模型.

主要成果:

• 手术前的血陶,包括CER (d18:1/20:1) 和CER (d18:1/22:1),以及AFP和瘤大小,独立预测HCC复发.
• GBM模型实现了高预测性能 (AUC:0.959在1年,0.954在2年,0.931在3年;C指数≈0.93).
• 在SHAP分析中,瘤负担被确定为关键因素,CER (d18:1/20:1) 促进复发,CER (d18:1/22:1) 提供保护.
• 贝叶斯因果推断表明,较高的CER (d18:1/20:1) 占复发风险的26%,而较低的CER (d18:1/22:1) 提供30%的因果保护.
• GBM模型准确地对患者进行了分层,确定了56例复发病例中的54例为高风险病例.

结论:

• 在GBM框架中与临床数据集成的手术前血陶样本分析为预测HCC复发提供了高度准确和可解释的方法.
• 这种方法可以为HCC患者提供精确的风险分层和个性化管理策略.
• 这些发现有助于改善肝脏健康并减少肝细胞癌的疾病负担.