機械学習モデルに基づく大腸印指輪癌における3リンパ節病期分類システムの予測性能の比較

- 私たちの研究では、機械学習と競合するリスクモデルを使用して、結腸直腸印環細胞癌の 3 つのリンパ節病期分類システムを評価し、予後の精度と生存予測を最適化します。

機械学習などのインフォマティクス手法により、リスクモデルの比較とカプラン・マイヤー生存推定を使用して、生存予測とリンパ節分類の精度を高めます。

追跡期間を延長しながら、多様な集団で年代測定を行い、予後ノモグラムを改良し、結腸直腸印章環細胞癌の分子形質を調査して、臨床上の意思決定ツールを強化します。

[ナレーター]まず、SEERをダウンロードしてインストールします。次に、SEERデータベースWebサイトから統計8.4.3ソフトウェアを入手します。ソフトウェアにログインし、ケース リスト セッションをクリックし、続いてデータをクリックし、インシデント SEER リサーチ プラス データ、17 レジストリ、2022 年 11 月、サブ 2000 年から 2020 年のデータベースを選択します。次に、選択をクリックし、続いて編集をクリックして、2004年から2015年に等しい人種、性別、診断年を選択します。次に、サイト recode ICD-0-3 WHO 2008 を選択します。テーブルをクリックし、利用可能な変数インターフェイスで、必要なすべての診断の詳細を選択します。次に、出力をクリックします。データに名前を付け、[実行]をクリックしてデータを出力して保存します。次に、X-Tileソフトウェアを開き、ファイルをクリックして[開く]を選択します。データファイルを選択してソフトウェアにインポートします。データがロードされたら、生存状態に対応する変数センサー、マーカー 1 の生存時間を分析する変数としてマッピングし、データが正しく一致していることを確認します。次に、[do]をクリックし、次にKaplan-Meierとマーカー1をクリックして、Kaplan-Meier生存分析を実行し、生存曲線を生成します。次に、SRCC を含む合計 2,409 件の適格な患者データを、トレーニング コホート番号 1,686 と検証コホート番号 723 に 7 対 3 の比率でランダムに割り当てます。ランダム分割には、提供されたコードを使用します。必要なバージョンの RStudio および R ソフトウェアをダウンロードしてインストールします。[新しいファイル] をクリックし、[R スクリプト] を選択して、新しい R プログラミング インターフェイスを作成します。次に、コードエディタに関連するコードを入力し、[実行]をクリックしてコードを実行します。提供されたコードを使用して、Cox 回帰分析によって機械学習モデルに含まれる変数をスクリーニングします。さらに、SRCC 患者のがん特異的生存に対する LODDS、LNR、および PN 病期分類の影響を調査します。このコードを使用して、トレーニング、検証、および外部検証コホートにわたる 3 つのリンパ節システム、LODDS、LNR、および PN 病期分類の予後予測能力を比較します。次に、コードを使用して XGBoost モデルを構築し、変数の相対的な重要度を表す棒グラフを生成します。レシーバーの動作特性曲線と検量線を生成して、3つのリンパ節システムの性能を評価します。次に、コードを使用してランダムフォレストモデルを構築し、変数の相対的な重要度の棒グラフを生成します。同様に、レシーバ動作特性曲線と検量線を生成して、3つのリンパ節システムを評価および比較します。適切なコードを使用して、ニューラル ネットワーク モデルを構築し、変数の相対的な重要度の棒グラフを作成します。レシーバの動作特性と検量線を生成して、3つのリンパ節システムの予測性能を比較します。次に、単変量解析を実行し、data.csv ファイルを使用して累積インシデント関数曲線をプロットします。サイトを他の因子に置き換えて、各因子に対して単変量解析を実行します。多変量解析の場合は、コードを適用し、data1.csvで視覚化します。最後に、ノモグラム、受信機動作特性曲線、および検量線をプロットします。トレーニング コホートのデータを使用してモデルをトレーニングし、検証コホート データと外部検証コホート データを使用してモデルを検証します。多変量 Cox 回帰分析に基づいて、LNR、LODDS、および PN 病期分類はすべて、SRCC 患者のがん特異的生存率と有意に関連していました。LNRはRFモデルとXGBoostモデルで最も重要であり、LODDSはNNモデルで最も予測能力が高く、LODDSが全体的に最も信頼性の高いLNシステムであることを示唆しています。XGBoost、RF、およびNNモデルは、0.777〜0.851の範囲のAUC値と、45度の線と密接に一致する検量線で高い予測精度を達成し、モデルの信頼性を確認しました。競合するリスクモデル分析により、独立した予後因子として、T病期分類、N病期分類、M病期分類、LODDS分類、および原発腫瘍の位置が特定されました。 競合するリスクノモグラムは、AUCが0.75を超えるよく整列されたキャリブレーション曲線とROC曲線によって裏付けられ、正確な1年、3年、および5年のがん特異的生存予測を示しました。