Prediktion av patologiskt komplett respons vid rektalcancer med maskininlärning

Denna studie syftar till att utveckla och validera en prediktiv modell baserad på pre-neoadjuvanta kliniska, laboratorie- och magnetresonanstomografi (MRI)-egenskaper för att uppskatta sannolikheten för patologiskt komplett respons (pCR) hos patienter med rektalcancer efter neoadjuvant kemoradioterapi (nCRT). Denna retrospektiva studie kommer att inkludera patienter som fick nCRT följt av radikal resektion vid Peking University People's Hospital mellan december 2017 och oktober 2025 som utvecklingskohort. Least Absolute Shrinkage and Selection Operator (LASSO)-regression kommer att användas för egenskapsurval, och maskininlärningsalgoritmer kommer att tillämpas för att konstruera prediktionsmodellen. Modellens prestanda kommer att utvärderas omfattande med hjälp av receiver operating characteristic (ROC)-kurvan, precision-recall-kurvan, kalibreringskurvan och besluts kurvanalys (DCA). SHapley Additive exPlanations (SHAP)-analys kommer att utföras för att förbättra modellens tolkbarhet. Den slutliga modellen förväntas ge ett individualiserat pCR-prediktionsverktyg för att vägleda kliniskt beslutsfattande för patienter med rektalcancer.