开发和验证基于机器学习的病理学名图,用于预测完全切除外科手术后局部原发性胃肠道 stromal 瘤的复发:一项回顾性多中心研究
Xudong Qiu1, Lin Tu1, Yueqing Bai2
1Department of Gastrointestinal Surgery, Renji Hospital, School of Medicine, Shanghai Jiao Tong University, Shanghai, China.
Cancer
|December 9, 2025
概括
一个使用机器学习的新病理学名录图准确地预测了手术后胃肠层瘤 (GIST) 复发风险. 该工具改进了传统方法,帮助GIST患者的治疗决策.
科学领域:
- 在瘤学瘤学.
- 数字病理学数字病理学
- 机器学习 机器学习
背景情况:
- 准确预测胃肠道 stromal 瘤 (GIST) 复发对于辅助治疗和监测至关重要.
- 对于GISTs,传统的风险分层缺乏足够的预后精度.
研究的目的:
- 开发一种综合数字病理学和机器学习的病理学名录,以改善GIST复发风险预测.
- 为了提高预后准确度,超出局部初级GISTs的现有风险标准.
主要方法:
- 一个基于机器学习的病理学名图 (MLPNom) 是使用来自四个医疗中心的421名参与者的数据开发的.
- 评估了四种机器学习方法;选择了表现最好的方法用于模型开发.
- 用逐步的多变量考克斯回归分析来构建MLPNom.
主要成果:
- 与传统风险标准相比,MLPNom的预测性能优于传统风险标准,在培训和验证队列中,一致性指数和AUC值都更高.
- 校准曲线和Brier分数证实了MLPNom的优秀校准.
- 决策曲线分析表明MLPNom在GIST管理中的临床实用性.
结论:
- MLPNom准确地预测了局部初级GIST手术后的无复发生存率.
- 这种工具可以补充传统的标准,并有助于识别符合辅助伊马替尼治疗条件的患者.
- 在MLPNom中,GIST患者的预后分为三个不同的亚组.
