机器学习模型用于单独切除结直肠肝转移的无复发生存
Mingshuai Wang1, Jianli Duan2, Hongwei Wang1
1Key Laboratory of Carcinogenesis and Translational Research (Ministry of Education/Beijing), Hepatopancreatobiliary Surgery Department I, Peking University Cancer Hospital & Institute, 52 Fucheng Road, Beijing, 100142, China.
概括
一个新的机器学习模型准确地预测了手术后单独结直肠肝转移 (SCRLM) 患者的无复发生存期 (RFS). 这种工具有助于个性化治疗决策,可能改善治疗结果并减少不必要的化疗.
科学领域:
- 在瘤学瘤学.
- 手术瘤学手术瘤学
- 数据科学在医学中的数据科学
背景情况:
- 孤独性结直肠肝转移 (SCRLM) 在肝切除后的复发模式是异质的.
- 目前在SCRLM中缺乏针对无复发性生存 (RFS) 的个性化预测工具.
研究的目的:
- 开发和验证用于预测SCRLM患者RFS的机器学习模型.
- 为了比较不同机器学习算法的性能 (RSF,GBM,XGBoost).
- 创建一个指导术后化疗决策的工具.
主要方法:
- 一项多中心回顾性研究分析了698名SCRLM患者 (574名培训,124名验证).
- 开发了三种预测模型 (RSF,GBM,XGBoost) 来预测RFS.
- 模型性能使用一致性指数 (C指数) 和时间依赖的AUROC进行了评估.
主要成果:
- XGBoost模型表现出高AUROC的优异性能 (例如,培训时为0.93,在1年内验证时为0.87).
- 在预测复发方面,XGBoost显著优于修改后的临床评分 (m-CS).
- 该模型确定了可能从术后化疗中受益的患者,并导致了在线工具.
结论:
- 一个经过验证的机器学习模型可以对SCRLM进行个性化复发风险预测.
- 这个模型可以指导术后化疗决策,潜在地改善患者的治疗结果.
- 开发的工具旨在减少SCRLM管理中的过度处理.
更多相关视频
06:46Competing-Risk Nomogram for Predicting Cancer-Specific Survival in Multiple Primary Colorectal Cancer Patients after Surgery
Published on: September 27, 2024
637
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
482
