基于机器学习的个性化风险预测模型,用于手术后与乳腺癌相关的淋巴
Xuemei Peng1, Yanfang Ai1, Weiying Xu1
1Department of Breast Surgery, Jiangxi Cancer Hospital & Institute, The Second Affiliated Hospital of Nanchang Medical College, Nanchang, Jiangxi, China.
Frontiers in oncology
|December 22, 2025
概括
一个新的机器学习模型使用患者数据预测乳腺癌相关淋巴风险 (BCRL). 这种个性化的方法有助于早期识别和干预高风险个体,改善生活质量.
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:
- 与乳腺癌相关的淋巴 (BCRL) 是一个频繁且令人衰弱的术后并发症.
- 对于BCRL的有效管理策略是有限的,突出需要改进风险预测.
- 早期识别高风险患者对于及时干预和改善结果至关重要.
研究的目的:
- 使用机器学习为BCRL开发个性化的风险预测模型.
- 整合多模式的临床和行为数据,以提高预测准确度.
- 为早期识别和干预高风险乳腺癌幸存者提供一个工具.
主要方法:
- 分析了368名乳腺癌手术患者的队列.
- 最小绝对收缩和选择运算符 (LASSO) 回归用于从38个变量中选择特征.
- 训练和评估了9个机器学习算法,使用Shapley增量解释 (SHAP) 解释了最佳模型.
主要成果:
- 在预测BCRL时,逻辑回归获得了最高的性能 (AUC为0.937).
- 该模型在验证集中显示出很强的精度 (0.793),灵敏度 (0.937),和特异性 (0.740).
- 确定的主要预测因素包括身体质量指数 (BMI),淋巴结剖析水平和淋巴结状况.
结论:
- 使用SHAP解释的后勤回归模型为术后乳腺癌患者提供个性化的BCRL风险预测.
- 该模型可以支持临床风险分层,并为个性化干预策略提供信息.
- 这些发现为BCRL的积极管理提供了基础,有可能改善患者的生活质量.
