L/GCMN 및 흑색종의 정밀의학 1 (Precis-mel 1)

Precis-Mel 1은 후향적으로 수집된 데이터를 사용하는 단일 중심 관찰 연구입니다. 제안된 절차는 인구통계 및 가족 데이터, 유전 데이터, 의료 시술 및 암 치료, 피부 생검 등을 포함한 데이터를 사용하여 다차원 데이터 세트를 구축하고 생존 곡선 및 감시 림프절(SLNB) 양성을 생성할 수 있는 AI 알고리즘을 적용하는 것입니다. CAYA에서. 사용되는 접근 방식은 다음 하위 섹션에 나와 있습니다.

• 데이터 엔지니어링: 다차원 데이터 세트는 PostgreSQL 데이터베이스의 DBT 및 SQL 쿼리를 통해 꼼꼼하게 통합됩니다. 그 결과 환자 이력의 중요한 시간적 차원을 유지하면서 모델이 준비된 종합 테이블이 생성됩니다. 데이터 추적의 무결성과 전이 및 사망과 같은 다양한 환자 사건 간의 연결을 유지하기 위해 식별자가 할당됩니다. Python 기반 변환을 통해 순차적인 환자 이벤트가 이전 발생을 통해 텍스트로 풍부해집니다. 연산에는 산술 집계, 극한 계산, 문자열 조작이 포함됩니다. 균일한 준비 참조를 위해 표준화된 시간 프레임(1~3개월)에 걸쳐 이벤트를 구분하고 잘못 정렬된 데이터 인스턴스를 통합하는 역할도 합니다.
• 모델 개발: 우리의 접근 방식은 생존 분석을 사용하여 데이터 세트의 고유한 문제, 특히 사망과 같은 관심 이벤트가 관찰 창 내에서 발생하지 않는 검열을 해결합니다. 이 문제를 모델링한 이전 경험을 바탕으로 우리는 데이터 부족 문제를 효과적으로 해결하기 위해 비딥 러닝 방법인 GBSA(Gradient Boosting Survival Analysis)를 사용하는 것을 선호합니다. GBSA는 생존 분석, 특히 검열된 데이터를 수용하기 위해 그라디언트 부스팅 머신 알고리즘을 채택합니다. 생존 분석에서 환자는 삼중항(xi, δi, Ti)으로 표시됩니다. 여기서 xi는 특징 벡터이고, Ti는 사건 발생 시간, δi는 관찰이 검열되었는지 여부를 나타냅니다. 우리의 목표는 환자가 시간 t 이후에 생존할 확률을 나타내는 생존 함수 S(t)와 시간 t에서 사건이 발생할 순간 확률을 나타내는 위험 함수 λ(t)를 추정하는 것입니다. 이를 생존 모델링 영역에 적용하기 위해 우리 모델은 수정된 손실 함수인 음의 로그 부분 우도를 사용하는 그래디언트 부스팅 접근 방식을 활용합니다. 이를 통해 생존함수를 효과적으로 추정할 수 있습니다.
• 성능 지표: 생존 분석에 특히 적합한 지표인 일치 지수(c-index)를 사용하여 모델 성능을 측정합니다. c-지수는 예측된 이벤트 시간과 관찰된 이벤트 시간을 비교하여 모델의 예측 정확도를 평가합니다. 높은 c-지수는 우리 모델이 입력 특징을 고려하여 환자 위험의 순서를 효과적으로 예측한다는 것을 나타냅니다.