Сравнение прогностической эффективности трех систем стадирования лимфатических узлов при колоректальной кольцевой карциноме на основе модели машинного обучения

- В нашем исследовании оцениваются три системы стадирования лимфатических узлов при колоректальной кольцевой карциноме с использованием машинного обучения и конкурирующих моделей риска для оптимизации прогностической точности и прогнозирования выживаемости.

С помощью методов информатики, включая машинное обучение, сравнение моделей риска и оценку выживаемости Каплана-Мейера, используются для повышения точности прогнозирования выживаемости и классификации лимфатических узлов.

Продление периодов наблюдения при датировании в различных популяциях, уточнение прогностических номограмм и изучение молекулярных особенностей колоректальной кольцевой карциномы для улучшения инструментов принятия клинических решений.

[Рассказчик] Для начала скачайте и установите SEER. Затем получите программу статистики 8.4.3 с веб-сайта базы данных SEER. Войдите в программное обеспечение и нажмите на сессию со списком случаев, а затем на данные, и выберите данные об инцидентах SEER research, 17 реестров, ноябрь 2022 года, база данных с 2000 по 2020 год. Теперь нажмите на выбор, затем отредактируйте и выберите расу, пол, год постановки диагноза, равный с 2004 по 2015 год. Затем выберите сайт перекодирования МКБ-0-3 ВОЗ 2008. Нажмите на таблицу и в интерфейсе доступных переменных выберите все необходимые детали диагностики. Затем нажмите на вывод. Присвойте данные имя и нажмите кнопку «Выполнить», чтобы вывести и сохранить данные. Затем откройте программу X-Tile, нажмите на файл и выберите «Открыть». Выберите файл данных, чтобы импортировать его в программное обеспечение. После загрузки данных нанесите на карту датчик переменной, соответствующий статусу выживания, время выживания в маркере один в качестве переменной для анализа, убедившись, что данные правильно совпадают. Теперь нажмите кнопку «Выполнить», затем «Каплан-Мейер» и маркер один, чтобы выполнить анализ выживаемости по шкале Каплана-Мейера и построить кривую выживаемости. Затем случайным образом распределите в общей сложности 2 409 данных о пациентах, соответствующих критериям с помощью SRCC, в обучающую когорту No 1 686 и в проверяющую когорту под номером 723 в соотношении 7 к 3. Используйте предоставленный код для случайного разделения. Загрузите и установите необходимые версии программного обеспечения RStudio и R. Нажмите на новый файл и выберите R Script, чтобы создать новый программный интерфейс R. Затем введите соответствующий код в редакторе кода и нажмите «Выполнить», чтобы выполнить код. Используйте предоставленный код для скрининга переменных, включенных в модели машинного обучения, с помощью регрессионного анализа Кокса. Кроме того, изучите влияние стадирования LODDS, LNR и PN на выживаемость при раке у пациентов с SRCC. Используйте код для сравнения прогностических способностей прогнозирования трех систем лимфатических узлов, LODDS, LNR и PN в когортах обучения, валидации и внешней валидации. Затем используйте код для построения модели XGBoost и создания столбчатых диаграмм, представляющих относительную важность переменных. Создание кривых рабочих характеристик приемника и калибровочных кривых для оценки производительности трех систем лимфатических узлов. Затем используйте код для построения модели случайного леса и создания столбчатых диаграмм относительной важности переменных. Аналогичным образом сгенерируйте кривые рабочих характеристик приемника и калибровочные кривые для оценки и сравнения трех систем лимфатических узлов. С помощью соответствующего кода постройте модель нейронной сети и постройте гистограммы относительной важности переменных. Создание рабочих характеристик приемника и калибровочных кривых для сравнения прогностических характеристик трех систем лимфатических узлов. Затем выполните одномерный анализ и постройте кривую функции кумулятивных инцидентов с помощью файла data.csv. Замените место другими факторами для выполнения одномерного анализа для каждого фактора. Для многомерного анализа примените код и визуализируйте его с помощью data1.csv. Наконец, постройте номограмму, кривую рабочих характеристик приемника и кривую калибровки. Обучите модель, используя данные из обучающей когорты, и используйте данные проверки и внешней проверки когорты для проверки модели. Основываясь на многомерном регрессионном анализе Кокса, ЛНР, ЛОДДС и стадирование ПН были в значительной степени связаны с выживаемостью пациентов с SRCC, специфичными для рака. LNR показал наибольшую важность в моделях RF и XGBoost, в то время как LODDS обладал наибольшей прогностической способностью в модели NN, что делает LODDS самой надежной системой LN в целом. Модели XGBoost, RF и NN достигли высокой прогностической точности со значениями AUC в диапазоне от 0,777 до 0,851, а калибровочные кривые были точно совмещены с линией 45 градусов, что подтверждает надежность модели. Анализ конкурирующей модели риска определил стадию T, стадию N, стадию M, классификацию LODDS и первичное расположение опухоли в качестве независимых прогностических факторов. Конкурирующая номограмма риска продемонстрировала точные прогнозы выживаемости в течение одного, трех и пяти лет, специфичных для рака, подкрепленные хорошо выровненной калибровкой и кривыми ROC с AUC выше 0,75.