術前和術後預測腦膜瘤遠期預後

通過機器學習技術設計模型

研究者開發了一個綜合資料庫，其中包含了1990至2015年一家機構235名患者接受手術治療257例腦膜瘤的資訊。中位隨訪4.3年，根據目前的診斷標準對切除標本進行了重新評估，128名WHO I級、104名II級和25名III級腦膜瘤。

通過嵌套重採樣訓練和調整一系列ML演算法，以基於術前特徵、常規術後特徵或兩者來創建模型。我們比較了不同演算法的準確性以及它們為數據提供的獨特見解。

機器學習模型限於術前資訊，例如患者人口統計學和放射學特徵，具有與基於腦膜瘤分級和切除範圍的模型預測局部失敗（AUC = 0.74）或總生存（AUC = 0.68）相似的準確性（AUC分別是0.73和0.72）。結合所有可用人口統計學、臨床、放射學和病理學數據的綜合模型進行了最準確的估計（AUC分別是0.78和0.74）。

從這些模型中，我們開發了決策樹和列線圖，以估計腦膜瘤患者局部失敗或總體存活的風險。

臨床資訊在預測腦膜瘤結果方面一直未得到充分利用。在術前臨床數據上訓練的預測模型與在腦膜瘤分級和切除範圍上訓練的傳統模型相當。所有可用資訊的組合可以幫助更準確地對腦膜瘤患者進行分層。

Gennatas ED, et al. PLoS One. 2018 Sep 20;13(9):e0204161. doi: 10.1371/journal.pone.0204161.

TAG: |