基于机器学习的决策树模型,用于单大肝细胞癌患者

科学领域:

• 肝病学 肝病学是一种肝病学.
• 机器学习在医学中的应用
• 在瘤学瘤学.

背景情况:

• 单大肝细胞癌 (SLHCC) 的预后呈现异质性.
• 现有的分期系统对SLHCC预后的准确性有限.
• 需要在SLHCC中改善风险分层.

研究的目的:

• 为SLHCC开发基于机器学习 (ML) 的决策树模型.
• 为了提高SLHCC患者个性化的预后分层.
• 提高这个特定子组的分期系统的预测准确度.

主要方法:

• 对477名SLHCC患者进行了回顾性研究.
• 使用多变量考克斯回归的决策树算法的开发.
• 在培训和验证队伍中使用准确性和AUROC的模型验证.

主要成果:

• 确定了六个独立与整体存活时间 (OS) 相关的变量.
• 开发了一个结合治疗,肌素,瘤大小和FIB-4的决策树模型.
• 该模型在培训队列中获得了74.3%的准确率和0.756 AUROC,在验证队列中获得了67.1%的准确率和0.706 AUROC.

结论:

• ML决策树模型有效地根据预后对SLHCC患者进行分层.
• 该模型利用常规的临床和实验室数据.
• 这种工具可以补充现有的分期系统,并支持个性化治疗决策.