L/GCMN および黒色腫の精密医療 1 (Precis-mel 1)

Precis-Mel 1 は、遡及的に収集されたデータを使用する単一中心の観察研究です。 提案された手順は、人口統計および家族データ、遺伝データ、医療処置とがん治療、皮膚生検などのデータを使用して多次元データセットを構築し、生存曲線とセンチネルリンパ節 (SLNB) 陽性率を生成できる AI アルゴリズムを適用することを開始するというものです。カヤで。 使用するアプローチについては、次のサブセクションで説明します。

• データ エンジニアリング: 多次元データセットは、PostgreSQL データベース上の DBT および SQL クエリを介して細心の注意を払って統合されます。 これにより、患者の病歴の重要な時間的側面が維持された、モデルの準備ができた包括的なテーブルが得られます。 識別子は、データ証跡の整合性と、転移や死亡などのさまざまな患者事象間の関係を維持するために割り当てられます。 Python ベースの変換により、連続する患者イベントのテキストが、先行する出来事によって強化されます。 操作には、算術集計、極値計算、文字列操作が含まれます。 イベントは、均一なステージング参照のために標準化された時間フレーム (1 ～ 3 か月) にわたって離散化され、不整合なデータ インスタンスを統合するのにも役立ちます。
• モデル開発: 私たちのアプローチでは生存分析を採用して、データセットの固有の課題、特に死などの関心のあるイベントが観察ウィンドウ内で発生しない打ち切りに対処します。 この問題をモデル化した以前の経験に基づいて、データ不足の問題に効果的に対処できる非深層学習手法である勾配ブースティング生存分析 (GBSA) を使用することを好みます。 GBSA は、生存分析に勾配ブースティング マシン アルゴリズムを適用し、特に打ち切りデータに対応します。 生存率分析では、患者はトリプレット (xi、δi、Ti) で表されます。ここで、xi は特徴ベクトル、Ti は事象発生までの時間、δi は観察が打ち切りかどうかを示します。 私たちの目標は、患者が時間 t を超えて生存する確率を表す生存関数 S(t) と、時間 t でイベントが発生する瞬間的な確率を示すハザード関数 λ(t) を推定することです。 生存モデリング領域に適応させるために、私たちのモデルは、修正された損失関数、負の対数部分尤度を使用した勾配ブースティング手法を利用します。 これにより、生存関数を効果的に推定することができます。
• パフォーマンス メトリクス: 生存分析に特に適したメトリクスである一致指数 (c-index) を使用してモデルのパフォーマンスを測定します。 c-index は、予測イベント時間と観測イベント時間を比較することにより、モデルの予測精度を評価します。 高い c-index は、モデルが入力特徴を考慮して患者の危険の順序を効果的に予測していることを示します。