机器学习模型用于预测肝细胞癌患者的第二次原发性恶性瘤生存率

科学领域:

• 在瘤学瘤学.
• 机器学习 机器学习
• 生物统计学 生物统计学

背景情况:

• 肝细胞癌 (HCC) 是癌症死亡的主要原因.
• 长期HCC幸存者往往会发展出第二次原发性恶性瘤 (SPMs),这对风险预测构成了挑战.
• 现代机器学习 (ML) 对改善这一群体的预后准确性的有效性尚不清楚.

研究的目的:

• 开发和验证ML模型,以提高SPM的HCC幸存者的预后预测.
• 为了比较随机生存森林 (RSF),DeepSurv和COX比例危险 (COXPH) 模型的性能.
• 确定风险分层和个性化预后的最佳模型.

主要方法:

• 利用了监测,流行病学和最终结果 (SEER) 数据库,包括1,580名患有SPM的HCC患者.
• 开发并比较RSF,DeepSurv和COXPH模型,使用7:3的培训/测试分割.
• 使用一致性指数 (C指数),接收器运行特征曲线下的面积 (AUROC),校准图和决策曲线分析 (DCA) 评估模型性能.

主要成果:

• RSF模型实现了最高的性能 (C指数:0.730),在歧视,校准和临床实用性方面超过了DeepSurv和COXPH.
• RSF模型使风险分层成为高风险,中等风险和低风险组.
• 沙普利添加式扩张 (SHAP) 分析确定了手术,年龄,瘤阶段,瘤大小和SPM作为关键的预后因素.

结论:

• 与COXPH和DeepSurv相比,RSF模型在SPM患者的HCC患者中显示出更高的预后预测准确度.
• 通过SHAP分析,RSF模型促进了个性化的预后预测和解释.
• 这些发现支持RSF用于个性化医疗方法的使用,用于管理SPM的HCC幸存者.