基于机器学习的头癌治疗结果预测,使用集成的非侵入性诊断

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:

• 准确预测治疗结果对于头部和部状细胞癌 (HNSCC) 的个性化护理至关重要.
• 评估长期结果,如肠道营养依赖,对于患者咨询和资源管理至关重要.
• 机器学习为预测复杂的瘤结果提供了潜力.

研究的目的:

• 预测手术治疗的HNSCC患者的一年生存期和食管依赖性.
• 评估临床数据,血液标记物和放射性特征的预测性能.
• 探索机器学习模型在HNSCC中预测结果的实用性.

主要方法:

• 558名经过手术治疗的HNSCC患者的回顾性分析.
• 收集基线临床数据,血液标记物和基于MRI的放射性特征.
• 训练随机森林分类器来预测一年生存率和食管依赖性,用SHAP值来解释可解释性.

主要成果:

• 临床数据显示,1年生存率的最高预测性表现 (AUC=0.75).
• 血液标志物和放射性特征显示出适度的生存预测能力,在多式联络整合后没有改善.
• 术后治疗信息是食管依赖的最强预测因素,尽管它对生存的预测值很低.

结论:

• 临床数据是手术治疗HNSCC的一年生存的最重要的预测因素.
• 术后治疗信息对于预测输卵管依赖性至关重要.
• 需要进一步的研究来探索多式联运数据集成的潜在互补性,以改善预测模型.