基于机器学习的T1结直肠癌中淋巴结转移的预测
Suyujie Shi1,2,3, Xiongwu Li4, Linjun Li1,2,3
1Department of Clinical Pathology Laboratory of Pathology Diagnostic Center, Chongqing University of Medical Science, Chongqing, China.
PeerJ
|February 16, 2026
概括
机器学习准确地预测了早期结直肠癌 (CRC) 中淋巴结转移 (LNM) 风险. 随机森林模型确定了新的指标,改善了T1CRC患者的早期诊断和个性化治疗.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 计算生物学 计算生物学
背景情况:
- 结肠直肠癌 (CRC) 是全球癌症死亡的主要原因.
- 在T1CRC中对淋巴结转移 (LNM) 的准确风险评估对于患者的结果至关重要.
- T1 CRC涉及仅限于粘膜和粘膜下部的瘤,需要精确的分期.
研究的目的:
- 开发基于机器学习的预测模型,用于T1 CRC中的LNM.
- 在T1 CRC患者中确定LNM风险的新指标.
- 增强针对个性化的T1 CRC治疗策略的临床决策.
主要方法:
- 对210名T1CRC患者的临床,内镜和病理学数据的分析.
- 应用八种机器学习算法,包括随机森林,SVM和物流回归.
- 开发一个预测模型来评估LNM风险.
主要成果:
- 随机森林算法证明了LNM的优异预测性能.
- 确定了7个关键的LNM风险因素.
- 发现了T1 CRC LNM的四个新型预测指标:下膜入侵区域,侵入性癌症百分比,差异化集群和状病变.
结论:
- 使用机器学习开发了一个强大的TNM风险预测模型,用于T1 CRC.
- 识别了四个新型指标,显著提高了LNM预测准确度.
- 该模型有助于完善治疗策略,并为T1 CRC患者个性化治疗.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
7.6K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.9K