开发和验证一个深度学习模型,用于预测晚期宫癌的个性化存活率

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 数据科学数据科学数据科学

背景情况:

• 目前用于晚期宫癌的临床分期系统缺乏令人满意的预后能力.
• 深度学习模型为分析癌症生存数据中的复杂,非线性关系提供了潜力.
• 这项研究开创了深度学习的应用,用于先进的宫癌预后.

研究的目的:

• 开发和验证一种新的基于深度学习的预后模型,用于晚期宫癌.
• 为了使晚期宫癌患者的个性化生存预测.
• 将深度学习模型的性能与现有的预测系统进行比较.

主要方法:

• 开发了一个深度生存学习模型 (DSLM),使用来自1,143名晚期宫癌患者的数据.
• 流行病学,临床和血液学变量被用于模型构建.
• 该模型在内部使用培训和测试套件进行验证,并在外部使用SEER数据库进行验证.

主要成果:

• 基于DSLM的预后模型与传统的临床分期系统相比,表现优越 (AUROC 0.8603与0.5403).
• 该模型生成的个性化生存曲线显示了个体患者的不同生存轨迹.
• 该模型的有效性通过与SEER数据库患者的外部验证得到证实.

结论:

• 成功开发了一种针对晚期宫癌的新,实用和个性化的预后模型.
• 这种个性化的生存预测系统可以帮助临床医生设计更有效的临床试验.
• 深度学习方法提高了晚期宫癌的预后准确性.