机器学习分析用于结肠直肠癌肝转移的复发预测
Taijun Yi1, Yongling Liang1, Xingyu Li1
1Department of General Surgery (Hepatobiliary, Pancreatic and Splenic Surgery), The Sixth Affiliated Hospital, Sun Yat-sen University, Guangzhou, Guangdong Province, 510655, China; Biomedical Innovation Center, The Sixth Affiliated Hospital, Sun Yat-sen University, Guangzhou, Guangdong Province, 510655, China.
机器学习模型有效地使用关键患者因素预测结肠直肠癌肝转移复发风险. 这些模型可以帮助个性化治疗策略,以获得更好的患者结果.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 手术瘤学手术瘤学
背景情况:
- 结肠直肠癌肝转移 (CRLM) 的复发对患者的预后和治疗成功构成重大挑战.
- 确定CRLM复发的可靠预测因子对于优化患者管理至关重要.
研究的目的:
- 评估肝转移特征和其他CRLM复发指标的预测能力.
- 开发和验证用于预测CRLM复发的机器学习模型.
主要方法:
- 利用了524名经过彻底切除的CRLM患者的数据.
- 采用了十个机器学习算法,通过LASSO回归进行变量选择.
- 应用了SHapley添加式解释 (SHAP) 来实现模型的解释性,并开发了名ogram预测模型.
主要成果:
- 机器学习模型展示了对CRLM复发的强大预测性能.
- 逻辑回归 (LR) 显示出最好的区分能力 (AUC=0.762).
- 一种诺莫格拉姆模型在1-5年内提供了适度的复发歧视 (5年AUC=0.771).
- 对于只有肝脏的复发,纯粹的贝叶斯 (NB) 表现最好 (AUC=0.767),并开发出有效的预测名录.
结论:
- 确定了整体和仅肝脏CRLM复发后切除的关键风险因素.
- 建立了基于肝转移特征和临床病理因素的预测模型.
- 这些模型为CRLM患者开发个性化治疗策略提供了潜力.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
11:43Advanced Animal Model of Colorectal Metastasis in Liver: Imaging Techniques and Properties of Metastatic Clones
Published on: November 30, 2016
