השוואה בין ביצועי חיזוי של שלוש מערכות שלב בלוטות לימפה בקרצינומה של תאי טבעת חותם המעי הגס בהתבסס על מודל למידת מכונה

- המחקר שלנו מעריך שלוש מערכות שלב בלוטות לימפה בקרצינומה של תאי טבעת חותם המעי הגס באמצעות למידת מכונה ומודלי הסיכון המתחרים כדי לייעל את הדיוק הפרוגנוסטי ואת חיזוי ההישרדות.

על ידי שיטות אינפורמטיקה, כולל למידת מכונה, השוואת מודלים של סיכונים והערכת הישרדות קפלן-מאייר משמשות לשיפור חיזוי ההישרדות ודיוק סיווג בלוטות הלימפה.

הארכת תקופות מעקב, תוך תיארוך באוכלוסיות מגוונות, חידוד נומוגרמות פרוגנוסטיות וחקר תכונות מולקולריות של קרצינומה של תאי טבעת חותם המעי הגס כדי לשפר את כלי קבלת ההחלטות הקליניות.

[קריין] כדי להתחיל, הורד והתקן את SEER. לאחר מכן השג את תוכנת הסטטיסטיקה 8.4.3 מאתר מסד הנתונים של SEER. היכנס לתוכנה ולחץ על הפעלת רשימת המקרים, ואחריה נתונים, ובחר את האירועים מחקר SEER בתוספת נתונים, 17 רישומים, נובמבר 2022, מסד נתונים תת-2000 עד 2020. כעת, לחץ על בחירה, ואחריה ערוך ובחר גזע, מין, שנת אבחון שווה ל-2004 עד 2015. לאחר מכן בחר קידוד מחדש של האתר ICD-0-3 WHO 2008. לחץ על הטבלה ובממשק המשתנים הזמינים, בחר את כל פרטי האבחון הנדרשים. לאחר מכן לחץ על פלט. תן שם לנתונים ולחץ על ביצוע כדי להפיק ולשמור את הנתונים. לאחר מכן, פתח את תוכנת X-Tile, לחץ על קובץ ובחר פתח. בחר את קובץ הנתונים כדי לייבא אותו לתוכנה. לאחר טעינת הנתונים, מפה את החיישן המשתנה המתאים למצב ההישרדות, את זמן ההישרדות בסמן אחד כמשתנה שיש לנתח, וודא שהנתונים תואמים כהלכה. כעת לחץ על עשה, ואחריו קפלן-מאייר וסמן אחד כדי לבצע את ניתוח ההישרדות של קפלן-מאייר וליצור את עקומת ההישרדות. לאחר מכן הקצה באופן אקראי סך של 2,409 נתוני מטופלים מתאימים עם SRCC לקבוצת אימון מספר 1,686, ולקבוצת אימות מספר 723 ביחס של 7-3. השתמש בקוד שסופק לפיצול אקראי. הורד והתקן את הגרסאות הנדרשות של תוכנות RStudio ו-R. לחץ על קובץ חדש ובחר R Script כדי ליצור ממשק תכנות R חדש. לאחר מכן הזן את הקוד הרלוונטי בעורך הקוד ולחץ על הפעל כדי לבצע את הקוד. השתמש בקוד שסופק כדי לסנן את המשתנים הכלולים במודלים של למידת מכונה על ידי ניתוח רגרסיה של קוקס. בנוסף, חקור את ההשפעה של שלב LODDS, LNR ו-PN על הישרדות ספציפית לסרטן בחולי SRCC. השתמש בקוד כדי להשוות את יכולות החיזוי הפרוגנוסטיות של שלוש מערכות בלוטות לימפה, LODDS, LNR ו-PN על פני קבוצות האימון, האימות והאימות החיצוני. לאחר מכן השתמש בקוד כדי לבנות מודל XGBoost וליצור גרפי עמודות המייצגים את החשיבות היחסית של משתנים. צור עקומות אופייניות הפעלה של מקלט ועקומות כיול כדי להעריך את הביצועים של שלוש מערכות בלוטות הלימפה. לאחר מכן, השתמש בקוד כדי לבנות מודל יער אקראי וליצור גרפי עמודות של החשיבות היחסית של משתנים. באופן דומה, צור עקומות אופייניות הפעלה של מקלט ועקומות כיול כדי להעריך ולהשוות את שלוש מערכות בלוטות הלימפה. בעזרת הקוד המתאים, בנה מודל רשת עצבית וצור גרפי עמודות של החשיבות היחסית של משתנים. צור מאפיין הפעלה של מקלט ועקומות כיול כדי להשוות את ביצועי החיזוי של שלוש מערכות בלוטות הלימפה. לאחר מכן, בצע ניתוח חד-משתני והתווה את עקומת פונקציית האירועים המצטברת באמצעות קובץ data.csv. החלף את האתר בגורמים אחרים כדי לבצע ניתוח חד משתני עבור כל גורם. לניתוח מרובה משתנים, החל את הקוד והצג באופן חזותי באמצעות data1.csv. לבסוף, שרטט את הנומוגרמה, עקומת מאפיין ההפעלה של המקלט ועקומת הכיול. אמן את המודל באמצעות נתונים מקבוצת ההדרכה והשתמש בנתוני אימות ואימות חיצוני כדי לאמת את המודל. בהתבסס על ניתוח רגרסיה של קוקס מרובה משתנים, LNR, LODDS ו-PN היו קשורים כולם באופן משמעותי להישרדות ספציפית לסרטן בחולי SRCC. LNR הראה את החשיבות הגבוהה ביותר במודלים RF ו-XGBoost, בעוד של-LODDS הייתה יכולת החיזוי הגדולה ביותר במודל NN, מה שמרמז על LODDS כמערכת ה-LN האמינה ביותר בסך הכל. דגמי XGBoost, RF ו-NN השיגו דיוק ניבוי גבוה עם ערכי AUC הנעים בין 0.777 ל-0.851, ועקומות כיול שהתיישרו באופן הדוק עם קו ה-45 מעלות, המאשרות את אמינות המודל. ניתוח מודל סיכון מתחרה זיהה שלב T, שלב N, שלב M, סיווג LODDS ומיקום הגידול הראשוני כגורמים פרוגנוסטיים בלתי תלויים. נומוגרמת הסיכון המתחרה הדגימה תחזיות מדויקות של הישרדות ספציפית לסרטן לשנה, שלוש וחמש שנים, הנתמכות על ידי כיול מיושר היטב ועקומות ROC עם AUCs מעל 0.75.