Сравнение прогностической эффективности трех систем стадирования лимфатических узлов при колоректальной кольцевой карциноме на основе модели машинного обучения
18 апреля 2025 г.
В этом исследовании оцениваются прогностические системы у пациентов с колоректальным кольцевым раком с использованием моделей машинного обучения и конкурирующего анализа риска. Он определяет логарифмическую вероятность положительного результата в лимфатических узлах как превосходный предиктор по сравнению со стадией pN, демонстрируя высокую прогностическую эффективность и помогая принимать клинические решения с помощью надежных инструментов прогнозирования выживаемости.
- 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.
Просмотрите полный транскрипт и получите доступ к тысячам научных видео
Обзор
В данном исследовании оцениваются прогностические системы для пациентов с перстневидноклеточным раком колоректальной области с использованием моделей машинного обучения и анализа конкурирующих рисков. Установлено, что логарифм шансов наличия пораженных лимфатических узлов является более точным предиктором по сравнению со стадированием pN, демонстрируя высокую прогностическую эффективность и помогая в принятии клинических решений с помощью надежных инструментов прогнозирования выживаемости.
Основные компоненты исследования
Область науки
- Онкология
- Машинное обучение
- Прогностическое моделирование
Обзор
- Колоректальный рак с перстневидноклеточными элементами создает особые сложности при определении прогноза.
- Точное стадирование лимфатических узлов имеет решающее значение для планирования лечения.
- Машинное обучение предлагает передовые методы повышения точности прогнозирования.
- Модели конкурирующих рисков позволяют улучшить прогнозы выживаемости.
Цель исследования
- Оценить эффективность различных систем стадирования лимфатических узлов.
- Использовать машинное обучение для оптимизации прогностической точности.
- Улучшить прогнозирование выживаемости у пациентов с перстневидноклеточным раком толстой и прямой кишки.
Используемые методы
- Модели машинного обучения для прогностической оценки.
- Анализ конкурирующих рисков для прогнозирования выживаемости.
- Сравнение систем стадирования лимфоузлов.
- Методы оценки выживаемости Каплана-Мейера.
Основные результаты
- Логарифм шансов наличия положительных лимфатических узлов оказался эффективнее стадирования по pN.
- Модели машинного обучения продемонстрировали высокую прогностическую точность.
- Была достигнута повышенная точность классификации лимфатических узлов.
- Для клинического применения были разработаны надежные инструменты прогнозирования выживаемости.
Выводы
- Машинное обучение значительно повышает точность прогнозирования.
- Логарифм шансов наличия пораженных лимфатических узлов является ключевым предиктором.
- Эти результаты могут помочь в принятии клинических решений в онкологии.
Часто задаваемые вопросы
Практическая значимость для промышленности
Точное стадирование лимфатических узлов имеет решающее значение для стратификации рисков и прогнозирования исходов при перстневидноклеточном раке толстой и прямой кишки — подтипе с особыми прогностическими сложностями. В данном исследовании проводится сравнительный анализ трех систем стадирования лимфатических узлов с использованием передовых методов машинного обучения и моделей конкурирующих рисков, что позволяет напрямую оценить прогностическую достоверность на этапе перехода от фундаментальных открытий к трансляционным исследованиям. Полученные результаты обосновывают принятие решений по формированию портфеля данных путем выявления наиболее надежных прогностических маркеров для предсказания выживаемости при редких подтипах колоректального рака.
Стратегическое применение в биофармацевтических исследованиях и разработках
Ранний поиск и валидация мишени
- Обеспечивает возможность строгого анализа прогностических гипотез с использованием многомерного анализа и методов машинного обучения.
- Способствует снижению биологических рисков путем уточнения прогностической ценности систем стадирования LODDS, LNR и pN.
- Облегчает приоритизацию биомаркеров с наивысшей прогностической достоверностью для дальнейших трансляционных исследований.
Скрининг и разработка анализа
- Устанавливает валидированные количественные конечные точки для моделей прогнозирования выживаемости в онкологических исследованиях.
- Способствует воспроизводимости и стандартизации посредством внешней валидации на больших когортах пациентов.
- Обеспечивает масштабируемую интеграцию стратификации рисков на основе машинного обучения в рабочие процессы скрининга биомаркеров.
Трансляционные и доклинические исследования
- Сопоставляет результаты прогностических моделей с клинически значимыми конечными точками для разработки трансляционных биомаркеров.
- Обеспечивает непрерывность процесса от выбора переменных на этапе поиска до валидации в доклинических моделях.
- Поддерживает продвижение с учетом рисков путем количественной оценки прогностической точности в различных популяциях пациентов.
Интеграция конвейеров и рабочих процессов
Данный подход к сравнительному моделированию позволяет связать оценку биомаркеров на этапе открытия с трансляционной и доклинической валидацией, используя машинное обучение для надежной стратификации рисков.
- Открытия в биологии: Модели машинного обучения позволяют проверять гипотезы и снижать риски при разработке механизмов систем стадирования лимфатических узлов.
- Скрининг: Количественные показатели, такие как AUC-ROC и калибровочные кривые, подтверждают готовность и воспроизводимость анализа.
- Аналитика: Статистический анализ и построение номограмм обеспечивают интерпретируемые и практически применимые результаты для межгруппового сравнения.
- Трансляционные исследования: Валидация модели на внешних когортах гарантирует релевантность заболеванию и способствует согласованию биомаркеров.
- Корпоративное повторное использование: Данный рабочий процесс может быть адаптирован для оценки прогностических систем при других редких подтипах рака.
Операционное и корпоративное влияние
- Научная ценность: повышает точность прогнозирования и уменьшает неопределенность механизмов при моделировании выживаемости.
- Практическая ценность: обеспечивает стандартизированную, воспроизводимую и масштабируемую прогностическую оценку в различных когортах.
- Стратегическая ценность: служит основой для принятия решений о продолжении или прекращении разработок и повышает эффективность использования капитала за счет фокусирования на высоконадежных биомаркерах.
- Влияние на портфель: позволяет осуществлять приоритезацию с учетом рисков и продвигать прогностические инструменты в рамках онкологических разработок.
Рекомендации по внедрению
- Требуется опыт работы в области машинного обучения, анализа выживаемости и статистического моделирования.
- Необходим доступ к курируемым клиническим наборам данных и вычислительной инфраструктуре для обучения и валидации моделей.
- Требуется межкомандная стандартизация определений переменных и аналитических протоколов.
- Адаптация к другим типам рака может потребовать перекалибровки и внешней валидации.
- Интерпретируемость и клиническая интеграция зависят от надежных показателей калибровки и дискриминационной способности.
