Sukupuolikohtaiset koneoppimismallit maksasyövän etäisten metastasien ennustamiseen (GENDER-HCC-MET)

Tutkimuksen suunnittelu ja tavoite:

Tämä oli retrospektiivinen, väestöpohjainen kohorttitutkimus, joka hyödynsi Surveillance, Epidemiology, and End Results (SEER) -tietokannan dataa. Ensisijaisena tavoitteena oli systemaattisesti verrata maksasyövän (HCC) potilaiden etäisten metastasien esiintyvyyttä ja tunnistaa sukupuolikohtaiset determinantit. Toissijaisena tavoitteena oli kehittää ja validoida erilliset, suorituskykyiset koneoppimismallit (ML) etäisten metastasien riskin ennustamiseksi, räätälöitynä miehiä ja naisia varten.

Data ja osallistujat:

Data kerättiin 22 SEER-rekisteristä, jotka kattavat vuosina 2004–2022 HCC:lla diagnosoidut potilaat. Osallistuminen edellytti patologista HCC-diagnoosia. Keskeiset poissulkemiskriteerit olivat: puuttuvat tiedot rodusta, siviilisäädystä, kasvainten asteesta tai kirurgisesta tilasta; ei ensimmäinen primaarinen pahanlaatuinen kasvain; sekä puutteelliset TNM-luokitusdata. Kriteerien soveltamisen jälkeen lopulliseen analyysiin sisällytettiin 19 019 potilasta (14 575 miestä, 4 444 naista).

Muuttujat ja määritelmät:

Tulosmuuttuja oli etäisten metastasien tila diagnoosivaiheessa, dikotomisoitu M0 (ei metastaseja) tai M1 (metastaasit) perustuen johdonmukaisiin AJCC-kriteereihin. Ennustemuuttujat sisälsivät: iän, sukupuolen, rodun, kasvainten asteen, siviilisäädyn, kirurgisen hoidon (luokiteltu ei-kirurgia, paikallishoito, kirurginen resektio tai maksansiirto), sädehoidon, kemoterapian, vuositulot ja asuinpaikan (perustuen väestön kokoon). Varmistaakseen vertailukelpoisuuden eri AJCC-luokitusoppaiden versioiden välillä, T-vaihe ryhmiteltiin T0-2 (paikallinen) vs. T3-4 (paikallisesti edistynyt), ja N-vaihe N0 vs. N1.

Tilastollinen ja koneoppimisanalyysi:

Yksimuuttuja- ja monimuuttujalogistisia regressioanalyysiä suoritettiin tunnistaakseen etäisiin metastaaseihin itsenäisesti liittyvät tekijät, sukupuolen mukaan kerrostettuna.

Ennustavassa mallinnuksessa aineisto jaettiin satunnaisesti harjoitusjoukkoon (80 %) ja sisäiseen testausjoukkoon (20 %). Kahdeksaa koneoppimisalgoritmia kehitettiin ja verrattiin: Logistinen regressio, Random Forest, XGBoost, LightGBM, AdaBoost, Decision Tree, Gradient Boosting Decision Tree (GBDT) ja Monikerroksinen neuroverkko (MLP). Mallien hyperparametrit optimoitiin käyttäen 10-kertaista ristiinvalidointia harjoitusjoukolla. Lopullisia malleja arvioitiin riippumattomalla testausjoukolla. Mallin suorituskykyä arvioitiin käyttäen ROC-käyrän alapuolista pinta-alaa (AUC), tarkkuutta, herkkyyttä, spesifisyyttä, F1-pistemäärää, kalibrointikäyriä ja päätöskäyräanalyysiä (DCA). Parhaiten suoriutuvan mallin tulkittavuutta parannettiin käyttäen Shapley Additive Explanations (SHAP) -menetelmää.