Ennakoimassa patologista täydellistä vastetta neoadjuvanttiseen kemoterapiaan rintasyövässä käyttäen koneoppimismalleja.

Tämä retrospektiivinen havainnointitutkimus suoritettiin käyttäen rintasyöpärekisteriä, joka sisälsi kliinisiä ja patologisia tietoja potilailta, jotka saivat neoadjuvanttista kemoterapiaa tammikuun 2010 ja joulukuun 2025 välisenä aikana. Tutkimuksen tavoitteena oli kehittää ja validoida koneoppimiseen perustuva ennustava malli patologiselle täydelliselle vastaukselle (pCR) käyttäen rutiininomaisesti saatavilla olevia kliinis-patologisia muuttujia.

Alkutietoaineisto, joka koostui 298 potilaasta ja 144 tallennetusta muuttujasta, kuraatioti rintasyöpäonkologian asiantuntijat tunnistaakseen kliinisesti merkitykselliset ennustetekijät. Yhteensä 20 vakiintunutta kliinis-patologista muuttujaa valittiin edustamaan demografisia ominaisuuksia, kasvaimen levinneisyysastetta, biomarkkeriprofiileja ja hoitoon liittyviä tekijöitä. Ominaisuuksien muokkausmenetelmiä, mukaan lukien järjestyslukuinen koodaus, yksi-kuumene koodaus ja binäärimuunnos, sovellettiin aineiston valmisteluun mallin kehittämistä varten. Puuttuvat arvot käsiteltiin mediaani-imputaatiolla ristiinvalidointiputken sisällä estääkseen tietovuodon.

Ominaisuuksien valinta suoritettiin käyttäen hybridi-tärkeyskehystä, joka yhdisti keskinäisen informaation analyysin, SHAP-pohjaisen attribuution gradienttivahvistusmalleista ja L1-säännöllistetyn logistisen regression kertoimet. Sekvensiaalinen ominaisuusosajoukon arviointi tunnisti optimaalisen 10 ennustetekijän osajoukon mallin kehittämistä varten.

Useita koneoppimisalgoritmeja – mukaan lukien logistinen regressio, satunnaismetsä, gradienttivahvistusmallit, tukivektorikoneet, k-lähimmän naapurin menetelmä ja kokonaisoppimislähestymistavat – koulutettiin ja arvioitiin käyttäen 5-kertaista kerrostettua ristiinvalidaatiota. Lopullinen suorituskyky arvioitiin itsenäisillä validointi- ja pidätysaineistoilla käyttäen ROC-AUC:ta, tarkkuus-muistamisen AUC:ta, F1-pistemäärää ja Matthewsin korrelaatiokerrointa.

Päälopputulos oli patologinen täydellinen vastaus neoadjuvantin kemoterapian jälkeen. Kynnysoptimointi suoritettiin tunnistaakseen kliinisesti merkityksellisen todennäköisyysraja-arvon, joka tasapainotti herkkyyttä ja spesifisyyttä hoidon vastauksen ennustamisessa. Mallin suorituskykyä verrattiin esiintyvyyden mukautettuun stokastiseen vertailuun käyttäen Monte Carlo -simulaatiota vahvistaakseen ennustavan validiteetin sattuman ulkopuolella.

Tämä tutkimus arvioi kliinis-patologiaan perustuvien koneoppimismallien soveltamisen toteutettavuutta rintasyövän hoidon vastauksen ennustamisessa ja yksilöllisen kliinisen päätöksenteon tukemisessa neoadjuvanttisessa tilanteessa.