早期胃癌中淋巴结转移预测的机器学习:比较分析
Yufan Chen1, Kunhao Bai1, Minghui Yang1
1Department of Endoscopy, State Key Laboratory of Oncology in South China, Guangdong Provincial Clinical Research Center for Cancer, Sun Yat-sen University Cancer Center, Guangzhou 510060, Guangdong, China.
International journal of medical sciences
|March 9, 2026
概括
机器学习模型可以预测早期胃癌 (EGC) 中的淋巴结转移 (LNM). 这项研究确定了关键的风险因素,有助于为LNM的EGC患者做出个性化治疗决策.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 手术瘤学手术瘤学
背景情况:
- 淋巴结转移 (LNM) 对早期胃癌 (EGC) 的分期和治疗至关重要.
- 准确预测LNM对于指导EGC手术和辅助治疗决策至关重要.
- 目前在EGC中用于LNM预测的方法可能会从先进的分析方法中受益.
研究的目的:
- 开发和评估用于预测早期胃癌 (EGC) 淋巴结转移 (LNM) 的机器学习算法.
- 确定EGC患者中LNM的关键预测因子,以告知临床决策.
- 为了比较各种机器学习模型在 EGC 中预测 LNM 的性能.
主要方法:
- 分析了从1085名经历了淋巴结切除胃切除术的EGC患者的数据.
- 训练和验证了七个机器学习算法,并进行了超参数调整.
- 用准确度,屏障级和曲线下面面积 (AUC) 来评估模型性能.
主要成果:
- 随机森林,极端梯度增强和神经网络模型在验证集上表现强 (AUC 0.796,0.788,0.779).
- 在T1a和T1b阶段的子组分析显示了不同的模型性能 (例如,T1a的物流模型和RF).
- 在SHAP分析中,在EGC及其子组的LNM预测中发现了不同的重要变量.
结论:
- 机器学习模型显示了在EGC中预测LNM的潜力,增强了治疗策略的开发.
- 鉴定的风险因素为EGC患者的个性化管理提供了宝贵的见解.
- 这些预测模型可以支持EGC与LNM的临床决策.
