【基于CA125的机器学习在CT预测浆液性卵巢癌腹腔复发中的应用】
在妇科恶性肿瘤中,浆液性卵巢癌是威胁女性生命的重要疾病之一,其特点是早期不易发现,容易出现腹腔内复发。对于晚期卵巢癌患者,及时监测病情复发至关重要,以便尽早采取治疗措施。本文主要探讨了如何利用机器学习技术结合CA125指标,通过CT扫描预测浆液性卵巢癌腹腔的复发情况。
CA125是一种糖类抗原,通常在卵巢癌患者体内水平升高,因此被广泛用于疾病的监测和诊断。研究中,科研人员收集了2018年至2020年间78例接受CT检查的卵巢癌患者的临床资料,其中年龄平均为65.3岁。通过对这些患者的CA125水平以及CT影像进行分析,旨在构建一个预测模型。
研究采用了多种机器学习算法,如支持向量机(SVM)、线性模型、多项式模型和径向基核模型,以CA125的绝对值、绝对变化量、相对变化量和相对变化率作为预测因子。结果显示,这些模型在预测腹腔复发方面均有一定效果,但最佳模型为线性模型,其中CA125的相对变化率最为显著,具有较高的预测能力。
通过COX回归模型分析,研究人员发现以下因素与患者腹腔复发有显著关联:
1. 年龄:每增加一年,腹腔复发的风险增加1.48倍(95%置信区间:1.35~1.88)。
2. 原发肿瘤大小:肿瘤越大,复发风险越高,每增加一个单位,风险增加1.58倍(95%置信区间:1.46~1.79)。
3. 肿瘤减灭术程度:手术切除的彻底性与复发风险成反比,每提高一个级别,复发风险降低1.61倍(95%置信区间:1.53~1.82)。
4. CA125相对变化率:CA125水平的快速上升是预测复发的重要指标,每增加一个单位,复发风险增加1.75倍(95%置信区间:1.59~1.90)。
研究结论指出,基于CA125的机器学习模型能有效预测浆液性卵巢癌腹腔的复发,且相关危险因素的影响力排序为:CA125相对变化率 > 肿瘤减灭术程度 > 原发肿瘤大小 > 年龄。这一发现为临床提供了更精准的监测手段,有助于早期识别可能的复发迹象,从而优化治疗策略。
该研究受到辽宁省科学技术计划项目的支持,不仅展示了机器学习在医学领域中的潜力,也强调了多因素综合分析在预测肿瘤复发中的价值。未来的研究可以进一步探索其他生物标志物与CT影像特征的结合,以提升预测模型的准确性和临床实用性。