기계 학습 모델을 기반으로 한 대장직장 인장 고리 세포 암종에서 3개의 림프절 병기 결정 시스템의 예측 성능 비교

Summary

이 연구는 기계 학습 모델과 경쟁 위험 분석을 사용하여 결장직장 인장 고리 세포 암종 환자의 예후 시스템을 평가합니다. 양성 림프절의 로그 확률을 pN 병기와 비교하여 우수한 예측 변수로 식별하여 강력한 예측 성능을 입증하고 강력한 생존 예측 도구를 통해 임상 의사 결정을 지원합니다.

Abstract

림프절 상태는 환자에게 중요한 예후 예측 변수입니다. 그러나 대장직장 인장 고리 세포 암종(SRCC)의 예후는 제한된 관심을 받고 있습니다. 이 연구는 경쟁 위험 모델과 함께 기계 학습 모델(Random Forest, XGBoost 및 Neural Network)을 사용하여 SRCC 환자의 양성 림프절(LODDS), 림프절 비율(LNR) 및 pN 병기의 로그 확률의 예후 예측 능력을 조사합니다. 관련 데이터는 SEER(Surveillance, Epidemiology, and End Results) 데이터베이스에서 추출되었습니다. 머신러닝 모델의 경우, 일변량 및 다변량 Cox 회귀 분석을 통해 암 특이적 생존(CSS)에 대한 예후 인자를 확인한 후, XGBoost, RF, NN의 세 가지 머신러닝 방법을 적용하여 최적의 림프절 병기 결정 시스템을 확인했습니다. 경쟁 위험 모델에서는 예후 요인을 식별하기 위해 일변량 및 다변량 경쟁 위험 분석을 사용했으며, SRCC 환자의 예후를 예측하기 위해 노모그램을 구성했습니다. 수신기 작동 특성 곡선(AUC-ROC) 및 보정 곡선 아래 영역을 사용하여 모델의 성능을 평가했습니다. 본 연구에는 총 2,409명의 SRCC 환자가 포함되었다. 모델의 효과를 검증하기 위해 SRCC를 제외한 15,122명의 대장암 환자로 구성된 추가 코호트가 외부 검증을 위해 포함되었습니다. 기계 학습 모델과 경쟁 위험 노모그램 모두 생존 결과를 예측하는 데 강력한 성능을 보였습니다. pN 병기와 비교했을 때, LODDS 병기 결정 시스템은 우수한 예후 능력을 보여주었습니다. 평가 결과, 머신 러닝 모델과 경쟁 위험 모델은 우수한 변별력, 보정 및 해석 가능성을 특징으로 하는 우수한 예측 성능을 달성했습니다. 본 연구의 연구 결과는 환자를 위한 임상적 의사 결정에 정보를 제공하는 데 도움이 될 수 있다.

Introduction

대장암(CRC)은 전 세계적으로 세 번째로 흔한 악성 종양으로 ^1,2,3 위를 차지합니다. CRC의 희귀한 아형인 인장 고리 세포 암종(SRCC)은 사례의 약 1%를 차지하며 세포핵^1,2,4를 대체하는 풍부한 세포 내 점액이 특징입니다. SRCC는 종종 젊은 환자와 관련이 있고, 여성에서 유병률이 더 높으며, 진단 시 종양 단계가 진행되어 있습니다. SRCC는 결장직장 선암종과 비교했을 때 분화가 잘 되지 않고, 원격 전이 위험이 높으며, 5년 생존율이 12%-20^%5,6에 불과하다. SRCC에 대한 정확하고 효과적인 예후 모델을 개발하는 것은 치료 전략을 최적화하고 임상 결과를 개선하는 데 매우 중요합니다.

이 연구는 기계 학습(ML) 및 경쟁 위....

Protocol

본 연구는 윤리적 승인 및 참여에 대한 동의를 의미하지 않는다. 이 연구에 사용된 데이터는 데이터베이스에서 얻은 것입니다. 2004년부터 2015년까지 결장직장 시그넷 고리 세포 암종과 다른 유형의 결장직장암 진단을 받은 환자를 포함했습니다. 제외 기준에는 생존 기간이 1개월 미만인 환자, 임상병리학적 정보가 불완전한 환자, 사망 원인이 불분명하거나 특정되지 않은 사례가 포함되었다.

1. 데이터 수집

1. SEER를 다운로드합니다. SEER 데이터베이스 웹 사이트(http://seer.cancer.gov/about/overview.html)에서 통계 8.4.3 소프트웨어를 구합니다. 소프트웨어에 로그인한 후 Case List Session(케이스 목록 세션) > 데이터를 선택하고 Incidence SEER Research Plus Data, 17 Registries, Nov 2021 Sub (2000-2019) 데이터베이스를 선택합니다.
2. >편집을 클릭하고 {인종, 성별, 연도 dx. 진단 연도} = '2004', '....

Results

환자 특성
이 연구는 2004년부터 2015년까지의 SEER 데이터베이스 데이터를 사용하여 결장직장 SRCC로 진단된 환자에 초점을 맞췄습니다. 제외 기준에는 생존 기간이 1개월 미만인 환자, 임상병리학적 정보가 불완전한 환자, 사망 원인이 불분명하거나 특정되지 않은 사례가 포함되었다. 포함 기준을 충족한 총 2409명의 대장직장 SRCC 환자를 훈련 코호트(N=1686)와 검증 코호트(N=723)로 무작위로 나누었다. 훈련 및 검증 코호트의 인구통계학적 및 임상적 매개변수는 표 1과 같이 R 소프트웨어를 사용하여 분석되었습니다. 포함된 모든 환자 중 대다수는 60세 이상이었으며 남성과 여성 환자 수는 비슷했습니다. 대부분의 환자는 백인이었다. 환자의 절반 이상(56%)이 기혼자였다. 종양의 대다수는 III-IV(76%)로 등급이 매겨졌다. 대부분의 환자(82%)는 종양 크기가 3.5cm 이상이었고, 대다수의 환자(42%)는 LODDS1 그룹에 속했다. 전체 코호.......

Discussion

대장암(CRC) SRCC는 예후가 좋지 않은 희귀하고 특별한 대장암 하위 유형입니다. 따라서 SRCC 환자의 예후에 더 많은 주의를 기울일 필요가 있다. SRCC 환자의 정확한 생존 예측은 환자의 예후를 결정하고 개별화된 치료 결정을 내리는 데 매우 중요합니다. 본 연구에서는 SRCC 환자의 임상적 특징과 예후의 관계를 조사하고 SEER 데이터베이스에서 SRCC 환자에 대한 최적의 LN 병기 결정 시스템을 확인하였다. 우리가 알기로는, 본 연구는 머신러닝과 경쟁 위험 분석 방법의 종합적인 사용을 통해 대장직장 SRCC 환자에게 적합한 LN 시스템을 결정하고 예후 예측을 위한 노모그램을 구축한 최초의 연구입니다.

CRC 환자에서 전이성 LN의 수는 예후와 재발의 중요한 지표입니다. 정확한 LN 병기는 SRCC 환자의 치료 전략과 예후를 결정하는 데 중요한 역할을 합니다. LNR 및 LODDS는 GC에 대한 LN 관여를 평.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
SEER 데이터베이스			의 국립 암 연구소
X-타일 소프트웨어	예일 의과
R-studio	Posit