目的基于深度学习算法开发和验证可评估肝细胞癌(hepatocellular carcinoma,HCC)患者预后的预测模型,并评估其价值。方法选择2011年1月—2015年12月美国国立癌症研究所的监测、流行病学和最终结果(Surveillance,Epidemiology and Result...目的基于深度学习算法开发和验证可评估肝细胞癌(hepatocellular carcinoma,HCC)患者预后的预测模型,并评估其价值。方法选择2011年1月—2015年12月美国国立癌症研究所的监测、流行病学和最终结果(Surveillance,Epidemiology and Results,SEER)数据库中经病理确诊的HCC患者为训练队列用于构建模型,选择同期在本院经病理确诊的HCC患者为外部验证队列用于评估模型。主要预测结局为1、3、5年总生存率。分别使用深度学习算法DeepSurv、随机生存森林(RFS)、Cox比例风险回归开发模型,使用C-index评价模型的区分度,一致性曲线评估模型的校准度,log-rank检验评估危险分层能力。结果训练队列9730例患者和外部验证队列405例患者被纳入分析。在训练队列中,DeepSurv算法1、3、5年的C-index分别为0.85(95%CI:0.80~0.90)、0.82(95%CI:0.77~0.89)、0.80(95%CI:0.73~0.87),在外部验证队列中分别为0.83(95%CI:0.78~0.87)、0.79(95%CI:0.74~0.83)、0.72(95%CI:0.67~0.77)。无论在训练队列还是外部验证队列中,DeepSurv算法的C-index和校准度均优于RFS、Cox回归和TNM分期(均P<0.05);log-rank检验显示,DeepSurv算法具有良好的危险分层能力(P<0.001)。结论基于深度学习算法DeepSurv开发的预测模型可有效预测HCC患者死亡率,且优于常规的算法和预后评价指标。展开更多
文摘目的基于深度学习算法开发和验证可评估肝细胞癌(hepatocellular carcinoma,HCC)患者预后的预测模型,并评估其价值。方法选择2011年1月—2015年12月美国国立癌症研究所的监测、流行病学和最终结果(Surveillance,Epidemiology and Results,SEER)数据库中经病理确诊的HCC患者为训练队列用于构建模型,选择同期在本院经病理确诊的HCC患者为外部验证队列用于评估模型。主要预测结局为1、3、5年总生存率。分别使用深度学习算法DeepSurv、随机生存森林(RFS)、Cox比例风险回归开发模型,使用C-index评价模型的区分度,一致性曲线评估模型的校准度,log-rank检验评估危险分层能力。结果训练队列9730例患者和外部验证队列405例患者被纳入分析。在训练队列中,DeepSurv算法1、3、5年的C-index分别为0.85(95%CI:0.80~0.90)、0.82(95%CI:0.77~0.89)、0.80(95%CI:0.73~0.87),在外部验证队列中分别为0.83(95%CI:0.78~0.87)、0.79(95%CI:0.74~0.83)、0.72(95%CI:0.67~0.77)。无论在训练队列还是外部验证队列中,DeepSurv算法的C-index和校准度均优于RFS、Cox回归和TNM分期(均P<0.05);log-rank检验显示,DeepSurv算法具有良好的危险分层能力(P<0.001)。结论基于深度学习算法DeepSurv开发的预测模型可有效预测HCC患者死亡率,且优于常规的算法和预后评价指标。
