相关实验视频
Updated: Jan 13, 2026
08:50
Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
7.4K
开发和验证一个预测模型,用于外节自然杀手/T细胞淋巴瘤的预测模型
Shuo Li1,2, Li-Min Gao3, Huang-Ming Hong4
1State Key Laboratory of Oncology in South China; Guangdong Provincial Clinical Research Center for Cancer, Sun Yat-sen University Cancer Center, Guangzhou, Guangdong, China.
NPJ digital medicine
|January 6, 2026
概括
一种新的机器学习 (ML) 模型,即ENKTL-ML得分,可以改善额外节点自然杀手/T细胞淋巴瘤 (ENKTL) 的生存预测. 这种算法比现有模型更准确,为更好的患者分层提供了更好的准确性.
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:
- 外结节自然杀手/T细胞淋巴瘤 (ENKTL) 的生存预测模型目前缺乏足够的准确性.
- 临床和病理因素对于ENKTL的预后至关重要.
研究的目的:
- 开发和验证机器学习 (ML) 算法,以改善ENKTL的生存预测.
- 将开发的ML模型的性能与已建立的预后指数进行比较.
主要方法:
- 在四个队列中分析了977名ENKTL患者的临床和病理数据.
- 开发和评估16个ML算法,并为最终模型选择了梯度提升机 (GBM).
- 使用哈雷尔c指数,ROC曲线,校准曲线和决策曲线分析 (DCAs) 的性能评估.
主要成果:
- 梯度提升机 (GBM) 算法表现出卓越的性能,导致ENKTL-ML得分.
- 在评价 (0.82) 和外部验证 (0.84,0.83) 队列中,ENKTL-ML得分实现了高c指数.
- 该模型有效地将患者分为三个不同的生存结果组,并优于IPI,KPI,PINK-E和NRI模型 (P < 0.001).
结论:
- 与现有模型相比,ENKTL-ML得分提供了一种更准确,更可靠的方法来预测ENKTL患者的生存率.
- 这种基于ML的得分可以帮助临床医生做出更明智的治疗和管理决策.
- 在线计算器可用于促进ENKTL-ML得分的临床应用.
