Name: Porównanie skuteczności predykcyjnej trzech systemów oceny stopnia zaawansowania węzłów chłonnych w raku sygnetowym jelita grubego w oparciu o model uczenia maszynowego (Wideo) | JoVE Journal
Uploaded: 2025-04-18T14:00:00.000+00:00
Duration: 7 min 13 s
Description: Odkryj metody uczenia maszynowego do oceny systemów klasyfikacji węzłów chłonnych w raku sygnetowym jelita grubego. Analiza ryzyka konkurencyjnego poprawia dokładność predykcji przeżycia i wspiera decyzje kliniczne.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

<ol><li>Siegel, R. L., Giaquinto, A. N., Jemal, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cancer+statistics%2C+2024%5BTitle%5D)+AND+%22CA+Cancer+J+Clin%22%5BJournal%5D)">Cancer statistics, 2024.</a> CA Cancer J Clin. 74 (1), 12-49 (2024).</li>
<li>Korphaisarn, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Signet+ring+cell+colorectal+cancer%3A+Genomic+insights+into+a+rare+subpopulation+of+colorectal+adenocarcinoma%5BTitle%5D)+AND+%22Br+J+Cancer%22%5BJournal%5D)">Signet ring cell colorectal cancer: Genomic insights into a rare subpopulation of colorectal adenocarcinoma.</a> Br J Cancer. 121 (6), 505-510 (2019).</li>
<li>Willauer, A. N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Clinical+and+molecular+characterization+of+early-onset+colorectal+cancer%5BTitle%5D)+AND+%22Cancer%22%5BJournal%5D)">Clinical and molecular characterization of early-onset colorectal cancer.</a> Cancer. 125 (12), 2002-2010 (2019).</li>
<li>Watanabe, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+case+of+primary+colonic+signet+ring+cell+carcinoma+in+a+young+man+which+preoperatively+mimicked+Phlebosclerotic+colitis%5BTitle%5D)+AND+%22Acta+Med+Okayama%22%5BJournal%5D)">A case of primary colonic signet ring cell carcinoma in a young man which preoperatively mimicked Phlebosclerotic colitis.</a> Acta Med Okayama. 73 (4), 361-365 (2019).</li>
<li>Kim, H., Kim, B. H., Lee, D., Shin, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Genomic+alterations+in+signet+ring+and+mucinous+patterned+colorectal+carcinoma%5BTitle%5D)+AND+%22Pathol+Res+Pract%22%5BJournal%5D)">Genomic alterations in signet ring and mucinous patterned colorectal carcinoma.</a> Pathol Res Pract. 215 (10), 152566(2019).</li>
<li>Deng, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Neoadjuvant+radiotherapy+versus+surgery+alone+for+stage+II%2FIII+mid-low+rectal+cancer+with+or+without+high-risk+factors%3A+A+prospective+multicenter+stratified+randomized+trial%5BTitle%5D)+AND+%22Ann+Surg%22%5BJournal%5D)">Neoadjuvant radiotherapy versus surgery alone for stage II/III mid-low rectal cancer with or without high-risk factors: A prospective multicenter stratified randomized trial.</a> Ann Surg. 272 (6), 1060-1069 (2020).</li>
<li>Buk Cardoso, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Machine+learning+for+predicting+survival+of+colorectal+cancer+patients%5BTitle%5D)+AND+%22Sci+Rep%22%5BJournal%5D)">Machine learning for predicting survival of colorectal cancer patients.</a> Sci Rep. 13 (1), 8874(2023).</li>
<li>Monterrubio-Gómez, K., Constantine-Cooke, N., Vallejos, C. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+review+on+statistical+and+machine+learning+competing+risks+methods%5BTitle%5D)+AND+%22Biom+J%22%5BJournal%5D)">A review on statistical and machine learning competing risks methods.</a> Biom J. 66 (2), e2300060(2024).</li>
<li>Kim, H. J., Choi, G. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Clinical+implications+of+lymph+node+metastasis+in+colorectal+cancer%3A+Current+status+and+future+perspectives%5BTitle%5D)+AND+%22Ann+Coloproctol%22%5BJournal%5D)">Clinical implications of lymph node metastasis in colorectal cancer: Current status and future perspectives.</a> Ann Coloproctol. 35 (3), 109-117 (2019).</li>
<li>Xu, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Log+odds+of+positive+lymph+nodes+is+an+excellent+prognostic+factor+for+patients+with+rectal+cancer+after+neoadjuvant+chemoradiotherapy%5BTitle%5D)+AND+%22Ann+Transl+Med%22%5BJournal%5D)">Log odds of positive lymph nodes is an excellent prognostic factor for patients with rectal cancer after neoadjuvant chemoradiotherapy.</a> Ann Transl Med. 9 (8), 637(2021).</li>
<li>Chen, Y. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Prognostic+performance+of+different+lymph+node+classification+systems+in+young+gastric+cancer%5BTitle%5D)+AND+%22J+Gastrointest+Oncol%22%5BJournal%5D)">Prognostic performance of different lymph node classification systems in young gastric cancer.</a> J Gastrointest Oncol. 12 (4), 285-1300 (2021).</li>
<li>Bouvier, A. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((How+many+nodes+must+be+examined+to+accurately+stage+gastric+carcinomas%3F+Results+from+a+population+based+study%5BTitle%5D)+AND+%22Cancer%22%5BJournal%5D)">How many nodes must be examined to accurately stage gastric carcinomas? Results from a population based study.</a> Cancer. 94 (11), 2862-2866 (2002).</li>
<li>Coburn, N. G., Swallow, C. J., Kiss, A., Law, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Significant+regional+variation+in+adequacy+of+lymph+node+assessment+and+survival+in+gastric+cancer%5BTitle%5D)+AND+%22Cancer%22%5BJournal%5D)">Significant regional variation in adequacy of lymph node assessment and survival in gastric cancer.</a> Cancer. 107 (9), 2143-2151 (2006).</li>
<li>Li Destri, G., Di Carlo, I., Scilletta, R., Scilletta, B., Puleo, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Colorectal+cancer+and+lymph+nodes%3A+the+obsession+with+the+number+12%5BTitle%5D)+AND+%22World+J+Gastroenterol%22%5BJournal%5D)">Colorectal cancer and lymph nodes: the obsession with the number 12.</a> World J Gastroenterol. 20 (8), 1951-1960 (2014).</li>
<li>Dinaux, A. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Outcomes+of+persistent+lymph+node+involvement+after+neoadjuvant+therapy+for+stage+III+rectal+cancer%5BTitle%5D)+AND+%22Surgery%22%5BJournal%5D)">Outcomes of persistent lymph node involvement after neoadjuvant therapy for stage III rectal cancer.</a> Surgery. 163 (4), 784-788 (2018).</li>
<li>Sun, Y., Zhang, Y., Huang, Z., Chi, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Prognostic+implication+of+negative+lymph+node+count+in+ypN%2B+rectal+cancer+after+neoadjuvant+chemoradiotherapy+and+construction+of+a+prediction+nomogram%5BTitle%5D)+AND+%22J+Gastrointest+Surg%22%5BJournal%5D)">Prognostic implication of negative lymph node count in ypN+ rectal cancer after neoadjuvant chemoradiotherapy and construction of a prediction nomogram.</a> J Gastrointest Surg. 23 (5), 1006-1014 (2019).</li>
<li>Xu, Z., Jing, J., Ma, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Development+and+validation+of+prognostic+nomogram+based+on+log+odds+of+positive+lymph+nodes+for+patients+with+gastric+signet+ring+cell+carcinoma%5BTitle%5D)+AND+%22Chin+J+Cancer+Res%22%5BJournal%5D)">Development and validation of prognostic nomogram based on log odds of positive lymph nodes for patients with gastric signet ring cell carcinoma.</a> Chin J Cancer Res. 32 (6), 778-793 (2020).</li>
<li>Scarinci, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+impact+of+log+odds+of+positive+lymph+nodes+%28LODDS%29+in+colon+and+rectal+cancer+patient+stratification%3A+a+single-center+analysis+of+323+patients%5BTitle%5D)+AND+%22Updates+Surg%22%5BJournal%5D)">The impact of log odds of positive lymph nodes (LODDS) in colon and rectal cancer patient stratification: a single-center analysis of 323 patients.</a> Updates Surg. 70 (1), 23-31 (2018).</li>
<li>Nitsche, U., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Prognosis+of+mucinous+and+signet-ring+cell+colorectal+cancer+in+a+population-based+cohort%5BTitle%5D)+AND+%22J+Cancer+Res+Clin+Oncol%22%5BJournal%5D)">Prognosis of mucinous and signet-ring cell colorectal cancer in a population-based cohort.</a> J Cancer Res Clin Oncol. 142 (11), 2357-2366 (2016).</li>
<li>Kang, H., O'Connell, J. B., Maggard, M. A., Sack, J., Ko, C. Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+10-year+outcomes+evaluation+of+mucinous+and+signet-ring+cell+carcinoma+of+the+colon+and+rectum%5BTitle%5D)+AND+%22Dis+Colon+Rectum%22%5BJournal%5D)">A 10-year outcomes evaluation of mucinous and signet-ring cell carcinoma of the colon and rectum.</a> Dis Colon Rectum. 48 (6), 1161-1168 (2005).</li>
<li>Sung, C. O., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Clinical+significance+of+signet+ring+cells+in+colorectal+mucinous+adenocarcinoma%5BTitle%5D)+AND+%22Mod+Pathol%22%5BJournal%5D)">Clinical significance of signet ring cells in colorectal mucinous adenocarcinoma.</a> Mod Pathol. 21 (12), 1533-1541 (2008).</li>
<li>Alvi, M. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Molecular+profiling+of+signet+ring+cell+colorectal+cancer+provides+a+strong+rationale+for+genomic+targeted+and+immune+checkpoint+inhibitor+therapies%5BTitle%5D)+AND+%22Br+J+Cancer%22%5BJournal%5D)">Molecular profiling of signet ring cell colorectal cancer provides a strong rationale for genomic targeted and immune checkpoint inhibitor therapies.</a> Br J Cancer. 117 (2), 203-209 (2017).</li>
<li>Brownlee, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evidence+for+overuse+of+medical+services+around+the+world%5BTitle%5D)+AND+%22Lancet%22%5BJournal%5D)">Evidence for overuse of medical services around the world.</a> Lancet. 390 (10090), 156-168 (2017).</li>
</ol>

Autorzy nie mają do ujawnienia żadnych finansowych konfliktów interesów.

Rak jelita grubego (CRC) SRCC jest rzadkim i szczególnym podtypem raka jelita grubego o złym rokowaniu. Dlatego należy zwrócić większą uwagę na rokowanie pacjentów z SRCC. Dokładne przewidywanie przeżycia pacjentów z SRCC ma kluczowe znaczenie dla określenia ich rokowania i podejmowania zindywidualizowanych decyzji dotyczących leczenia. W tym badaniu zbadaliśmy związek między cechami klinicznymi a rokowaniem u pacjentów z SRCC i zidentyfikowaliśmy optymalny system oceny stopnia zaawansowania LN dla pacjentów z SRCC na po...

Rak jelita grubego (CRC) jest trzecim najczęściej występującym nowotworem złośliwym na świecie1,2,3. Rak sygnetowokomórkowy (SRCC), rzadki podtyp CRC, stanowi około 1% przypadków i charakteryzuje się obfitą wewnątrzkomórkową mucyną wypierającą jądro komórkowe1,2,4. SRCC jest często kojarzona z młodszymi pacjentami, częściej występuje u kobiet i ma zaawansowane stadia nowotworu w momencie rozpoznania. W porównaniu z gruczolakorakiem jelita grubego, SRCC wykazuje gorsze różnicowanie, większe ryzyko odległych przerzutów i 5-letni wskaźnik przeżycia wynoszący tylko 12%-20%5,6. Opracowanie dokładnego i skutecznego modelu prognostycznego dla SRCC ma kluczowe znaczenie dla optymalizacji strategii leczenia i poprawy wyników klinicznych.
To badanie ma na celu skonstruowanie solidnego modelu prognostycznego dla pacjentów z SRCC przy użyciu zaawansowanych metod statystycznych, w tym uczenia maszynowego (ML) i konkurencyjnych modeli ryzyka. Metodologie te mogą uwzględniać złożone relacje w danych klinicznych, oferując zindywidualizowaną ocenę ryzyka i przewyższając tradycyjne metody pod względem dokładności predykcyjnej. Modele uczenia maszynowego, takie jak Random Forest, XGBoost i sieci neuronowe, doskonale sprawdzają się w przetwarzaniu danych wielowymiarowych i identyfikowaniu skomplikowanych wzorców. Badania wykazały, że modele sztucznej inteligencji skutecznie przewidują wyniki przeżycia w raku jelita grubego, podkreślając potencjał ML w zastosowaniach klinicznych7,8. Uzupełniając uczenie maszynowe, konkurencyjne modele ryzyka uwzględniają wiele typów zdarzeń, takich jak śmiertelność specyficzna dla raka w porównaniu z innymi przyczynami zgonu, aby udoskonalić analizę przeżycia. W przeciwieństwie do tradycyjnych metod, takich jak estymator Kaplana-Meiera, konkurencyjne modele ryzyka dokładnie szacują krańcowe prawdopodobieństwo zdarzeń w obecności konkurencyjnych zagrożeń, zapewniając bardziej precyzyjne oceny przeżycia8. Integracja uczenia maszynowego i konkurencyjnej analizy ryzyka zwiększa wydajność predykcyjną, oferując potężną platformę dla spersonalizowanych narzędzi prognostycznych w SRCC9,10,11.
Przerzuty do węzłów chłonnych znacząco wpływają na rokowanie i nawroty u pacjentów z CRC. Podczas gdy ocena N-etapu w klasyfikacji TNM jest krytyczna, nieodpowiednie badanie węzłów chłonnych - zgłaszane w 48%-63% przypadków - może prowadzić do niedoszacowania choroby. Aby temu zaradzić, wprowadzono alternatywne podejścia, takie jak współczynnik węzłów chłonnych (LNR) i logarytm szans dodatnich węzłów chłonnych (LODDS). LNR, stosunek dodatnich węzłów chłonnych (PLN) do całkowitej liczby węzłów chłonnych (TLN), ma mniejszy wpływ na liczbę TLN i służy jako czynnik prognostyczny w CRC. LODDS, logarytmiczny stosunek PLN do ujemnych węzłów chłonnych (NLN), wykazał wyższą zdolność predykcyjną zarówno w SRCC żołądka, jak i raku jelita grubego10,11. Uczenie maszynowe jest coraz częściej stosowane w onkologii, a modele poprawiają stratyfikację ryzyka i prognozy prognostyczne w przypadku różnych nowotworów, w tym raka piersi, prostaty i płuc12,13,14. Jednak jego zastosowanie w SRCC jelita grubego pozostaje ograniczone.
To badanie ma na celu wypełnienie tej luki poprzez integrację LODDS z ML i konkurencyjnymi modelami ryzyka, aby stworzyć kompleksowe narzędzie prognostyczne w celu stworzenia kompleksowego narzędzia prognostycznego. Oceniając wartość prognostyczną, LODDS i wykorzystując zaawansowane techniki predykcyjne, badania te mają na celu usprawnienie procesu podejmowania decyzji klinicznych i poprawę wyników leczenia pacjentów z SRCC.

<table><tbody><tr><td>Baza danych SEER</td><td>Krajowy instytut onkologiczny w oprogramowaniu NIH</td><td></td><td></td></tr><tr><td>X-tile</td><td>Yale school of medicine</td><td></td><td></td></tr><tr><td>R-studio</td><td>Posit</td><td></td><td></td></tr></tbody></table>

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

Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model

Stan węzłów chłonnych jest krytycznym prognostykiem dla pacjentów; jednak prognozowanie raka sygnetowokomórkowego jelita grubego (SRCC) przyciągnęło ograniczoną uwagę. W tym badaniu zbadano zdolność predykcyjną zdolności prognostycznych, logarytmicznych szans dodatnich węzłów chłonnych (LODDS), stosunku węzłów chłonnych (LNR) i stopnia zaawansowania pN u pacjentów z SRCC przy użyciu modeli uczenia maszynowego (Random Forest, XGBoost i Neural Network) wraz z konkurencyjnymi modelami ryzyka. Odpowiednie dane uzyskano z bazy danych Nadzoru, Epidemiologii i Wyników Końcowych (SEER). W przypadku modeli uczenia maszynowego czynniki prognostyczne dla przeżycia specyficznego dla raka (CSS) zostały zidentyfikowane za pomocą jednowymiarowych i wielowymiarowych analiz regresji Coxa, a następnie zastosowano trzy metody uczenia maszynowego - XGBoost, RF i NN - w celu ustalenia optymalnego systemu oceny węzłów chłonnych. W konkurencyjnym modelu ryzyka zastosowano jednoczynnikowe i wielowymiarowe konkurencyjne analizy ryzyka w celu identyfikacji czynników prognostycznych, a także skonstruowano nomogram do przewidywania rokowania pacjentów z SRCC. Obszar pod krzywą charakterystyki operacyjnej odbiornika (AUC-ROC) i krzywe kalibracyjne wykorzystano do oceny wydajności modelu. Do badania włączono łącznie 2 409 pacjentów z SRCC. Aby zweryfikować skuteczność modelu, do walidacji zewnętrznej włączono dodatkową kohortę 15 122 pacjentów z rakiem jelita grubego, z wyłączeniem przypadków SRCC. Zarówno modele uczenia maszynowego, jak i konkurujący ze sobą nomogram ryzyka wykazały się wysoką wydajnością w przewidywaniu wyników przeżycia. W porównaniu z stopniowaniem pN, systemy oceny stopnia zaawansowania LODDS wykazały się lepszymi zdolnościami prognostycznymi. Po dokonaniu oceny modele uczenia maszynowego i konkurujące ze sobą modele ryzyka osiągnęły doskonałą wydajność predykcyjną charakteryzującą się dobrą dyskryminacją, kalibracją i możliwością interpretacji. Nasze odkrycia mogą pomóc pacjentom w podejmowaniu decyzji klinicznych.

Charakterystyka pacjentów 
Badanie to skupiło się na pacjentach z diagnozą SRCC jelita grubego, wykorzystując dane z bazy SEER z lat 2004–2015. Kryteria wykluczenia obejmowały pacjentów z czasem przeżycia krótszym niż jeden miesiąc, osoby z niekompletnymi informacjami kliniczno-patologicznymi oraz przypadki, w których przyczyna zgonu była niejasna lub nieokreślona. Łącznie 2409 pacjentów z SRCC jelita grubego, którzy spełnili kryteria włączenia, zostało losowo podzielonych na kohortę treningową (N = 1...

To badanie ocenia systemy prognostyczne dla pacjentów z rakiem sygnetowokomórkowym jelita grubego przy użyciu modeli uczenia maszynowego i konkurencyjnych analiz ryzyka. Identyfikuje logarytmiczne szanse dodatnich węzłów chłonnych jako lepszy predyktor w porównaniu z stopniem zaawansowania pN, wykazując wysoką skuteczność predykcyjną i wspomagając podejmowanie decyzji klinicznych dzięki solidnym narzędziom do przewidywania przeżycia.

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

Lymph node status is a critical prognostic predictor for patients; however, the prognosis of colorectal signet-ring cell carcinoma (SRCC) has garnered ...

- 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.

comparison-predictive-performance-three-lymph-node-staging-systems

Research

JoVE Journal

Medicine

Medycyna

Terapie dotętnicze są standardem opieki dla pacjentów z rakiem wątrobowokomórkowym, którzy nie mogą być poddani chirurgicznej resekcji. Zaproponowano metodę przewidywania odpowiedzi na te terapie. Technika ta wykorzystuje przedzabiegowe informacje kliniczne, demograficzne i obrazowe do trenowania modeli uczenia maszynowego zdolnych do przewidywania odpowiedzi przed leczeniem.

Przewidywanie odpowiedzi na leczenie terapie sterowane obrazem z wykorzystaniem uczenia maszynowego: przykład leczenia przeztętniczego raka wątrobowokomórkowego

Ten protokół został zaprojektowany, aby wytrenować algorytm uczenia maszynowego do korzystania z kombinacji parametrów obrazowania pochodzących z rezonansu magnetycznego (MRI) i pozytonowej tomografii emisyjnej/tomografii komputerowej (PET/CT) w szczurzym modelu przerzutów raka piersi do kości w celu wykrycia wczesnej choroby przerzutowej i przewidywania późniejszej progresji do makroprzerzutów.

Algorytmy uczenia maszynowego do wczesnego wykrywania przerzutów do kości w eksperymentalnym modelu szczurzym

Tutaj prezentujemy protokół przygotowania i hodowli mikrośrodowiska przerzutowego guza bariery krew-mózg, a następnie ilościowego określenia jego stanu za pomocą obrazowania konfokalnego i sztucznej inteligencji (uczenia maszynowego).

Kwantyfikacja mikrośrodowiska guza z przerzutami do mózgu za pomocą modelu 3D Organ-On-A Chip, uczenia maszynowego i tomografii konfokalnej

Badanie wykazało, że płeć męska, słaby stopień nowotworu i zaawansowany stopień przerzutów do węzłów nowotworowych były związane z gorszym przeżyciem specyficznym dla raka (CSS) u pacjentów z mnogim pierwotnym rakiem jelita grubego (MPCC) po operacji. Opracowaliśmy nomogram, aby przewidzieć CSS pacjentów z MPCC i przyczynić się do podejmowania decyzji dotyczących leczenia klinicznego.

Nomogram ryzyka konkurencyjnego do przewidywania przeżycia specyficznego dla raka u pacjentów z wieloma pierwotnymi rakami jelita grubego po operacji

Obrazowanie fluorescencyjne jest obiecującą, innowacyjną metodą chirurgii sterowanej obrazem w onkologii chirurgicznej. W niniejszym materiale wideo opisujemy procedurę techniczną wykrywania węzła chłonnego wartowniczego z wykorzystaniem obrazowania fluorescencyjnego, zaprezentowaną na przykładzie onkologii ginekologicznej. Zastosowano wielospektralny system kamer fluorescencyjnych wraz z kontrastem fluorescencyjnym w postaci zieleni indocyjaninowej.

Wielospektralne obrazowanie fluorescencyjne w czasie rzeczywistym do śródoperacyjnego wykrywania węzła chłonnego strażnika w onkologii ginekologicznej

Przedstawiono kompleksowy przegląd technik wykorzystywanych w tworzeniu mysiego modelu raka jamy ustnej oraz ilościowego monitorowania inwazji nowotworowej w obrębie języka za pomocą mikroskopii wielofotonowej komórek znakowanych. System ten może służyć jako użyteczna platforma do oceny molekularnej oraz skuteczności leków w przypadku związków przeciwinwazyjnych.

Obrazowanie wielofotonowe inwazji komórek nowotworowych w ortotopowym modelu mysim dla raka płaskonabłonkowego jamy ustnej

Opracowujemy technikę dynamicznej adaptacyjnej ekspozycji z wykorzystaniem naszego cyfrowego systemu rentgenowskiego z wiązką skanującą. Zamiast jednorodnego naświetlania obiektu, ekspozycja jest dostosowywana w zależności od jego nieprzezroczystości. Przedstawiamy tutaj eksperyment na fantomie antropomorficznym, który pozwolił na redukcję dawki o 30%.

Redukcja dawki promieniowania rentgenowskiego poprzez adaptacyjną ekspozycję w obrazowaniu fluoroskopowym

Generacja ortotopowego mysiego modelu anaplastycznego raka tarczycy jest opisana tutaj. Technika ta polega na chirurgicznym umieszczaniu ludzkich komórek anaplastycznego raka tarczycy w tarczycy myszy z niedoborem odporności, tworząc w ten sposób bardziej istotne klinicznie warunki do badania postępu choroby, a także do badań przesiewowych innowacyjnych interwencji terapeutycznych.

Ortotopowy mysi model anaplastycznego raka tarczycy

Testy sferyczne in vitro są powszechnie używane do identyfikacji komórek macierzystych raka. Tutaj porównujemy testy sferyczne pojedyncze i wielokomórkowe. Bardziej pracochłonne testy jednokomórkowe lub suplementacja metylocelulozą dają dokładniejsze wyniki, podczas gdy testy wielokomórkowe wykonywane w płynnym podłożu mogą mieć duży wpływ na gęstość komórek.

Ocena właściwości komórek macierzystych w ludzkich komórkach raka jajnika przy użyciu wielo- i jednokomórkowych testów sferycznych

Tutaj prezentujemy protokół opisujący natlenioną perfuzję ex situ przeszczepów wątroby dawcy. Ten artykuł zawiera protokół krok po kroku dotyczący pozyskania i przygotowania przeszczepu wątroby do perfuzji maszynowej, przygotowania płynu perfuzyjnego, zalania maszyny perfuzyjnej i przeprowadzenia natlenionej normotermicznej perfuzji maszynowej przeszczepu wątroby.

Ex situ Perfuzja maszynowa Normothermiczna wątroby dawcy

Odkryj metody uczenia maszynowego do oceny systemów klasyfikacji węzłów chłonnych w raku sygnetowym jelita grubego. Analiza ryzyka konkurencyjnego poprawia dokładność predykcji przeżycia i wspiera decyzje kliniczne.

Porównanie skuteczności predykcyjnej trzech systemów oceny stopnia zaawansowania węzłów chłonnych w raku sygnetowym jelita grubego w oparciu o model uczenia maszynowego (Wideo) | JoVE Journal

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

Przeglądaj więcej filmów