基于机器学习的胃癌预后模型的开发和验证:一个多中心的回顾性研究
Xiao Guan1, Jinsong Liu2, Lei Xu3
1State Key Lab of Molecular Oncology and Department of Pancreatic and Gastric Surgery, National Cancer Center/National Clinical Research Center for Cancer/Cancer Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing, China.
Langenbeck's archives of surgery
|November 21, 2025
概括
这项研究开发了一种先进的机器学习模型,用于胃癌生存预测. 与传统的TNM分阶段系统相比,集成模型显著提高了准确性.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
背景情况:
- 机器学习 (ML) 显示了疾病生存预测的潜力.
- 在胃癌存活率预测中ML的现实应用和验证是有限的.
研究的目的:
- 开发和验证一个集成的机器学习模型,用于预测胃癌患者的整体生存率 (OS) 和癌症特异性生存率 (CSS).
- 将ML模型的预测性能与传统TNM分期系统进行比较.
主要方法:
- 利用了SEER数据库和中国医疗中心数据 (2000-2018).
- 使用Cox,RSF,CoxBoost和Deepsurv_Cox算法进行模型构建.
- 使用C指数,IBS和AUC评估模型;通过DCA和时间依赖ROC曲线将TNM分期与最佳集成模型进行比较.
主要成果:
- 包括21,559名 (SEER) 和3,805名 (中国中心) 患者.
- 综合模型比TNM分期实现了更高的性能 (例如,OS C指数:0.693,AUC:0.829).
- 通过校准曲线和DCA证明了改进的校准和临床效用.
结论:
- 集成的ML模型为胃癌存活率提供了更高的预测准确性.
- 这种方法超越了传统的TNM分期和深度学习方法,用于生存预测.
更多相关视频
07:13Comparison 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
475
10:28Gene Regulation and Targeted Therapy in Gastric Cancer Peritoneal Metastasis: Radiological Findings from Dual Energy CT and PET/CT
Published on: January 22, 2018
11.5K