Porównanie skuteczności predykcyjnej trzech systemów oceny stopnia zaawansowania węzłów chłonnych w raku sygnetowym jelita grubego w oparciu o model uczenia maszynowego

- Nasze badania oceniają trzy systemy oceny stopnia zaawansowania węzłów chłonnych w raku sygnetowym jelita grubego przy użyciu uczenia maszynowego i konkurencyjnych modeli ryzyka w celu optymalizacji dokładności prognozowania i przeżycia.

Dzięki metodom informatycznym, w tym uczeniu maszynowemu, porównywanie modeli ryzyka i szacowanie przeżycia Kaplana-Meiera są wykorzystywane do poprawy przewidywania przeżycia i dokładności klasyfikacji węzłów chłonnych.

Wydłużenie okresów obserwacji, datowanie w różnych populacjach, udoskonalanie nomogramów prognostycznych i badanie cech molekularnych raka sygnetowokomórkowego jelita grubego w celu ulepszenia narzędzi do podejmowania decyzji klinicznych.

[Narrator] Aby rozpocząć, pobierz i zainstaluj SEER. Następnie pobierz oprogramowanie statystyczne 8.4.3 ze strony internetowej bazy danych SEER. Zaloguj się do oprogramowania i kliknij sesję listy przypadków, a następnie dane, a następnie wybierz incydenty SEER research plus dane, 17 rejestrów, listopad 2022 r., baza danych sub 2000 do 2020. Teraz kliknij wybór, a następnie edytuj i wybierz rasę, płeć, rok diagnozy równy 2004 do 2015. Następnie wybierz stronę rekoduj ICD-0-3 WHO 2008. Kliknij tabelę i w interfejsie dostępnych zmiennych wybierz wszystkie wymagane szczegóły diagnozy. Następnie kliknij wyjście. Nazwij dane i kliknij wykonaj, aby wyprowadzić i zapisać dane. Następnie otwórz oprogramowanie X-Tile, kliknij plik i wybierz otwarty. Wybierz plik danych, aby zaimportować go do oprogramowania. Po załadowaniu danych zmapuj czujnik zmiennej odpowiadający statusowi przeżycia, czas przeżycia w znaczniku pierwszym jako zmienną, która ma być analizowana, upewniając się, że dane są prawidłowo dopasowane. Teraz kliknij na do, a następnie Kaplana-Meiera i znacznik jeden, aby przeprowadzić analizę przeżycia Kaplana-Meiera i wygenerować krzywą przeżycia. Następnie losowo przypisz łącznie 2 409 kwalifikujących się danych pacjentów z SRCC do kohorty treningowej o numerze 1 686 i kohorty walidacyjnej o numerze 723 w stosunku 7-3. Użyj podanego kodu do losowego podziału. Pobierz i zainstaluj wymagane wersje oprogramowania RStudio i R. Kliknij nowy plik i wybierz R Script, aby utworzyć nowy interfejs programowania R. Następnie wprowadź odpowiedni kod w edytorze kodu i kliknij uruchom, aby wykonać kod. Użyj podanego kodu, aby przesiać zmienne zawarte w modelach uczenia maszynowego za pomocą analizy regresji Coxa. Ponadto zbadaj wpływ LODDS, LNR i oceny stopnia zaawansowania PN na przeżycie specyficzne dla raka u pacjentów z SRCC. Użyj kodu, aby porównać zdolności prognostyczne trzech systemów węzłów chłonnych, LODDS, LLNR i oceny stopnia zaawansowania PN w kohortach treningowych, walidacyjnych i walidacji zewnętrznej. Następnie użyj kodu, aby zbudować model XGBoost i wygenerować wykresy słupkowe reprezentujące względne znaczenie zmiennych. Generuj krzywe charakterystyki pracy odbiornika i krzywe kalibracyjne, aby ocenić wydajność trzech systemów węzłów chłonnych. Następnie użyj kodu do zbudowania losowego modelu lasu i wygenerowania wykresów słupkowych względnej ważności zmiennych. Podobnie wygeneruj krzywe charakterystyki operacyjnej odbiornika i krzywe kalibracyjne, aby ocenić i porównać trzy systemy węzłów chłonnych. Za pomocą odpowiedniego kodu zbuduj model sieci neuronowej i twórz wykresy słupkowe względnej ważności zmiennych. Wygeneruj charakterystykę pracy odbiornika i krzywe kalibracyjne, aby porównać wydajność predykcyjną trzech systemów węzłów chłonnych. Następnie należy przeprowadzić analizę jednowymiarową i wykreślić krzywą funkcji skumulowanych zdarzeń przy użyciu pliku data.csv. Zastąp lokację innymi czynnikami, aby przeprowadzić analizę jednowymiarową dla każdego czynnika. W przypadku analizy wielowymiarowej zastosuj kod i wizualizuj go za pomocą data1.csv. Na koniec wykreśl nomogram, charakterystykę pracy odbiornika i krzywą kalibracyjną. Trenowanie modelu przy użyciu danych z kohorty szkoleniowej i używanie walidacji oraz danych kohorty zewnętrznej walidacji do walidacji modelu. Na podstawie wielowymiarowej analizy regresji Coxa, LNR, LODDS i ocena stopnia zaawansowania PN były istotnie związane z przeżyciem specyficznym dla raka u pacjentów z SRCC. LNR wykazał największe znaczenie w modelach RF i XGBoost, podczas gdy LODDS miał największą zdolność predykcyjną w modelu NN, co sugeruje, że LODDS jest najbardziej niezawodnym systemem LN ogółem. Modele XGBoost, RF i NN osiągnęły wysoką dokładność predykcyjną z wartościami AUC w zakresie od 0,777 do 0,851 oraz krzywymi kalibracyjnymi, które ściśle pokrywały się z linią 45 stopni, potwierdzając niezawodność modelu. Analiza konkurencyjnego modelu ryzyka zidentyfikowała stopień zaawansowania T, stopień zaawansowania N, stopień zaawansowania M, klasyfikację LODDS i lokalizację guza pierwotnego jako niezależne czynniki prognostyczne . Konkurujący ze sobą nomogram ryzyka wykazał dokładne prognozy przeżycia specyficznego dla nowotworu w ciągu jednego, trzech i pięciu lat, poparte dobrze dopasowaną kalibracją i krzywymi ROC z AUC powyżej 0,75.