机器学习模型的开发和验证,用于预测转移性鼻癌的3年总生存期:一个SEER数据库和网络可视化研究

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 转移性鼻癌 (M1-NPC) 的预后模型往往过于简单化.
• 现有的工具缺乏用于临床决策的交互式可视化.
• 需要提高预后准确度,考虑到M1-NPC异质性.

研究的目的:

• 开发和验证M1-NPC患者3年总生存期 (OS) 的视觉预后模型.
• 创建一个可解释的工具来预测M1-NPC的生存率.
• 为了解决当前M1-NPC预后模型的局限性.

主要方法:

• 对M1-NPC患者的SEER数据库数据 (2010-2021) 的回顾性分析.
• 使用单变Cox回归来确定预后因素.
• 开发和评估了五种机器学习算法 (SVM,RF,XGBoost,GBDT,KNN),形成了一个整体模型.
• 应用了夏普利添加式解释 (SHAP) 为了解释性.
• 在在线计算器中实现了最佳模型.

主要成果:

• 确定了11个重要的预后因素,包括年龄,种族,转移部位和治疗方式.
• 机器学习模型在训练队列中表现出高性能 (AUC高达0.9998).
• 随机森林 (RF) 模型在测试队列中显示出最好的预测性能 (AUC = 0.72,精度 = 0.94).

结论:

• 一个经过验证的基于射频的模型为M1-NPC生存预测提供了一个可解释的工具.
• 这代表了M1-NPC的第一个SEER衍生在线计算器.
• 该模型对于生存预测具有即时的临床适用性.