機械学習に基づく食道扁平上皮癌の生存予後予測

Scientific Reports volume 13、記事番号: 13532 (2023) この記事を引用

362 アクセス

1 オルトメトリック

メトリクスの詳細

現在の食道扁平上皮癌 (ESCC) の予後ツールには、個別の患者管理戦略を促進するために必要な精度が欠けています。 この問題に対処するために、この研究は ESCC 患者の生存管理のための機械学習 (ML) 予測モデルを開発するために実施されました。 Rpart、Elastic Net、GBM、Random Forest、GLMboost、機械学習拡張 CoxPH メソッドを含む 6 つの ML アプローチが、リスク予測モデルの開発に採用されました。 このモデルは、27 の臨床的特徴を持つ 1954 人の ESCC 患者のデータセットでトレーニングされ、487 人の ESCC 患者のデータセットで検証されました。 モデルの識別性能は、一致指数 (C 指数) を使用して評価されました。 最もパフォーマンスの高いモデルがリスク層別化と臨床評価に使用されました。 この研究では、N期、T期、切除断端、腫瘍グレード、腫瘍長、性別、MPV、AST、FIB、およびMgがESCC患者の生存にとって重要な特徴であることが判明した。 機械学習で拡張された CoxPH モデル、Elastic Net、および Random Forest は、ESCC 患者の死亡リスクの予測において同様のパフォーマンスを示し、GBM、GLMboost、および Rpart を上回りました。 CoxPH モデルから得られたリスク スコアは、ESCC 患者を低リスク、中リスク、高リスクのグループに効果的に階層化し、それぞれ 80.8%、58.2%、29.5% という明確に異なる 3 年全生存 (OS) 確率を示しました。 このリスク階層化は検証コホートでも観察されました。 さらに、リスクモデルは、AJCC8期よりも優れた識別能力と純利益を実証し、生存事象を予測し、臨床上の意思決定を導くための予後ツールとしての可能性を示唆しています。 CoxPH 法の古典的なアルゴリズムも、解釈研究には十分に優れていることがわかりました。

食道がん (EC) は、極めて悪性度が高く、生存率が低い、世界中で最も致死性の高い悪性腫瘍の 1 つです。 世界のがん統計によると、2018 年には新たに 572,000 人が新たに発症し、509,000 人が死亡したと推定されています1。中国では、食道扁平上皮がん（ESCC）が主な組織型であり、症例の約 90% を占めています。 ESCC は急速な進行と予後不良を特徴とし、進行期の 5 年生存率はわずか 15.3% です 4。 近年の外科技術の進歩と集学的治療の導入にも関わらず、ESCC の予後は依然として満足のいくものではありません 5。 ESCC の予後を予測するための特定のバイオマーカーは、各患者の臨床管理において基本的な役割を果たす可能性があり、二次予防のための最適な薬物療法の選択に関して重要な意味を持ちます 6、7、8、9。 しかし、現在、臨床の日常業務に有効なツールが不足しています。 したがって、新規の予後バイオマーカーを同定するか、臨床予測のための統合予測モデルを開発することが緊急に必要とされています。

大規模な患者コホートからのビッグデータを使用して、臨床病理学的パラメーター、検査指標、生存転帰を統合する臨床予測モデルは、臨床上の意思決定と治療予後を導く可能性があります10、11、12。 ESCC の予後を調査するための多大な努力にもかかわらず、現在の予後モデルは依然として不完全です 13、14、15、16。 これまでの研究は主に、単変量解析および多変量解析を使用した少数の臨床指標の予後評価に焦点を当ててきました14、15、16、17。 さらに、ほとんどの ESCC 予測モデルは、CoxPH 回帰やロジスティック回帰などの従来の統計的アプローチを使用して開発されており、モデル構築前に最もパフォーマンスの高いモデルを決定するための適切な評価メカニズムはありません 13、14、15、16、17。 さらに、これらの研究ではサンプルサイズと評価される予測因子が制限されていることが多く、モデルのパフォーマンスの再現性が低く、臨床応用のための証拠が不十分になります14、15、16、17。 したがって、臨床現場で効果的に使用できる、より包括的で再現性のある ESCC の予測モデルを開発する必要があります。