相关实验视频

Updated: Jan 11, 2026

Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model

Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model

Published on: April 18, 2025

机器学习与身体组成相结合,可以预测中低直肠癌手术中的手术难度

Xiangyong Li¹, Xiaoyang Zhang¹, Chenxi Zhou¹

¹Department of Gastrointestinal Surgery, The Second Affiliated Hospital of Soochow University, Suzhou City, Jiangsu Province, China.

Annals of medicine

|November 17, 2025

概括

身体构成,包括内脏和皮下脂肪,预测了拉皮镜全腹腔切除术 (LaTME) 的手术难度. 困难的LATME与较差的患者生存结果有关.

科学领域:

结肠直肠手术结肠直肠手术
手术瘤学手术瘤学
医学成像和身体组成分析.

背景情况:

腹腔镜全腹腔切除术 (Laparoscopic Total Mesorectal Excision,LaTME) 是直肠癌的一个关键手术.
确定预测手术困难的因素对于患者的治疗结果至关重要.

研究的目的:

为了确定与LaTME手术困难相关的身体组成特征.
开发和验证一个可解释的机器学习模型来预测LaTME难度.

主要方法:

利用LASSO回归来确定387名直肠癌患者的预测性临床特征.
开发并验证了七个机器学习算法,包括后勤回归 (LR).
采用夏普利添加式解释 (SHAP) 进行特征解释性和卡普兰-梅尔分析以求生存.

主要成果:

内脏脂肪面积 (VFA),内脏脂肪比率 (VFR),皮下脂肪面积 (SFA) 和其他因素预测了LATME难度.
该LR模型显示了最佳的预测性能.
困难的LATME与显著降低的整体存活率有关.

结论:

身体构成指标是拉美手术难度的重要预测指标.
机器学习模型,特别是LR,可以有效地预测LaTME难度.
在LaTME手术难度与患者预后较差相关.

关键词:

拉蒂姆拉蒂姆拉蒂姆拉蒂姆拉蒂姆拉蒂姆拉蒂姆机器学习是机器学习.预测模型是一个预测模型.这是直肠癌.手术上的困难.

更多相关视频

Robot-assisted Total Mesorectal Excision and Lateral Pelvic Lymph Node Dissection for Locally Advanced Middle-low Rectal Cancer

Robot-assisted Total Mesorectal Excision and Lateral Pelvic Lymph Node Dissection for Locally Advanced Middle-low Rectal Cancer

Published on: February 12, 2022

Segmentation and Linear Measurement for Body Composition Analysis using Slice-O-Matic and Horos

Segmentation and Linear Measurement for Body Composition Analysis using Slice-O-Matic and Horos

Published on: March 21, 2021

相关概念视频