Có thể giải thích ứng dụng của AI Machine Learning trong dự đoán sinh tồn cá nhân của bệnh ung thư t

Một nghiên cứu y tế quốc tế đã đưa ra một phát hiện mới, kết quả liên quan có giá trị tham chiếu quan trọng đối với Cope Disease Prevention. Có sự dự đoán phức tạp của các tuyến lympho trong khu vực có sự tham gia nhưng không chuyển đổi xa (N1M0). Nghiên cứu này nhằm phát triển và xác minh mô hình học máy có thể giải thích được dự đoán tuổi thọ đặc biệt của ung thư (CSS) 18.287 bệnh nhân N1M0 18.287 bệnh nhân N1M0 trong cơ sở dữ liệu SEER được phân chia thành dữ liệu đào tạo (n = 4780), xét nghiệm nội bộ (n = 1193), và hai nhóm xác minh tạm thời (n = 3149). n = 9165);; Cox proportional hazards và bốn mô hình học máy được so sánh bằng chỉ số C, thời gian phụ thuộc vào AUC, và Integrated Brier Score. Random Survival Forest (RSF) đạt chỉ số C- cao hơn trong tất cả các mô hình: 0.697 internal; 0.740 temporal validation. SHAP (Survival Heterogeneity Analysis) đã tiết lộ việc cắt bỏ mầm non sâu như là yếu tố bảo vệ mạnh nhất, tiếp theo là mức độ T tế bào và PSA thấp hơn. IPTW (International Prostate Cancer Foundation) đã xác nhận hiệu quả sống sót tích cực trong kiểm soát địa phương. Mô hình RSF cung cấp thông tin dự đoán chính xác, ổn định và có thể giải thích, có ý nghĩa hướng dẫn quan trọng đối với bệnh nhân m N1M0 không điển hình. Là một máy tính dựa trên Web, nó thực hiện phân loại rủi ro chính xác và lập kế hoạch m 2 cá nhân.