换一批XGBoost联合人工神经网络预测三阴性乳腺癌新辅助化疗后的病理完全缓解
Prediction of Pathological Complete Response to Neoadjuvant Chemotherapy for Triple-Negative Breast Cancer Using XGBoost and Artificial Neural Networks
摘要目的:探讨极限梯度提升(XGBoost)联合人工神经网络(ANN)构建模型预测三阴性乳腺癌(TNBC)新辅助化疗(NAC)后病理完全缓解(pCR)的价值.方法:回顾性收集我院2018年1月—2022年12月首诊为TNBC接受NAC并手术的患者治疗前的临床、血清、病理、影像、免疫组化指标以及NAC前后对侧正常乳腺腺体背景实质强化(BPE)特征,应用XGBoost联合grid search降低维度筛选出与pCR相关的重要特征子集,并构建ANN模型.通过受试者工作特征(ROC)曲线评估模型的诊断效能.前瞻性收集我院2023年1月—2024年6月符合条件的患者进行验证.结果:共收集163个病灶,pCR 63个.经XGBoost及greed search筛选出8个重要特征子集,依次为较高的异质性表观弥散系数(ADC)值、程序性细胞死亡配体-1(PD-L1)阴性、腋窝淋巴结阴性、较高的信号增强比(SER)值、雄激素受体(AR)阳性、Ki-67指数低表达、NAC前BPE少许/轻度强化、血小板/淋巴细胞比值高,进一步构建ANN模型.该模型在训练集,测试集和验证组中均表现出优秀的诊断效能[ROC曲线下面积(AUC)分别为0.935、0.891、0.916)]、校准能力及较高的临床净收益.结论:XGBoost联合ANN构建的模型能够预测TNBC患者经NAC后的pCR,为临床诊疗提供依据.
更多相关知识
关键词
三阴性乳腺癌新辅助化疗病理完全缓解极限梯度提升人工神经网络Triple negative breast cancerNeoadjuvant chemotherapyPathologic complete responseExtreme gradient boostingArtificial neural network
分类号
R737.9（泌尿生殖器肿瘤）
栏目名称
DOI
10.3969/j.issn.1006-5741.2025.02.009
发布时间
2025-05-19（万方平台首次上网日期，不代表论文的发表时间）
- 浏览0
- 被引2
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
