相关实验视频
Updated: Jan 13, 2026
05:14
A Doxorubicin-Induced Murine Model of Dilated Cardiomyopathy In Vivo
Published on: May 16, 2020
5.3K
一个基于TabNet的多维深度学习模型,用于预测乳腺癌患者中多克索鲁比辛诱导的心脏毒性
Juanwen Cao1, Xiaojian Hong1, Li Dong1
1Department of Cardiology, The Fourth Affiliated Hospital of Harbin Medical University, Harbin 150001, China.
Cancers
|January 10, 2026
概括
一个新的TabNet深度学习模型使用临床数据准确地预测乳腺癌患者的多克索鲁比辛诱导的心脏毒性. 这种可解释的工具有助于早期干预,以获得更好的患者结果.
科学领域:
- 心脏病学 心脏病学
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 在乳腺癌患者中,多克索鲁比化疗可能会引起心脏毒性.
- 预测和预防心脏毒性对于治疗成功和患者健康至关重要.
研究的目的:
- 使用TabNet架构开发和验证可解释的深度学习模型.
- 通过整合多维临床数据来预测多克索鲁比诱导的心脏毒性 (DIC).
主要方法:
- 对2034名乳腺癌患者进行了回顾性研究,这些患者接受了多克索鲁比治疗.
- 将TabNet与后勤回归,决策树,随机森林,GBM和XGBoost进行比较.
- 通过AUC,C指数,校准图和决策曲线分析评估模型性能;通过SHAP分析解释性.
主要成果:
- 与基线模型相比,TabNet实现了优异的预测性能 (AUC 0.86,C指数 0.80).
- 确定了关键预测因素:累积的环素剂量,LVEF,QTc间隔,乳酸脱酶,肌素,葡萄糖,高血压和血小板计数.
- 在高风险患者中突出了明显的心脏代谢损伤表型.
结论:
- TabNet模型提供了一个准确,稳定和可解释的工具来预测DIC.
- 促进个性化风险评估和精确管理乳腺癌患者接受环素治疗.
- 支持早期干预策略以减轻心脏毒性.
