Bayesian risk prediction model for colorectal cancer mortality through integration of clinicopathologic and genomic data.
Bayesian risk prediction model for colorectal cancer mortality through integration of clinicopathologic and genomic data.
复制标题
DOI：
10.1038/s41698-023-00406-8
复制
发表时间：
2023-06-10
影响因子：
7.9
通讯作者：
中科院分区：
文献类型：
--
作者：
由于肿瘤病理生物学的异质性和对肿瘤扩散的不精确评估，结直肠癌的常规肿瘤淋巴结转移（TNM）分期在预测生存率方面是不完善的。我们利用贝叶斯加性回归树（BART），一种统计学习技术，全面分析患者特异性肿瘤特征，以改善预后预测。在两个美国-在广泛的前瞻性队列研究中，BART风险模型确定了7个稳定的生存预测因子。基于模型预测生存率的风险分层（低风险、中等风险和高风险）具有统计学显著性（风险比0.19-0.45，与高风险相比; P < 0.0001），并且可以使用癌症基因组图谱（TCGA）数据进行外部验证（P = 0.0004）。BART证明了模型的灵活性、可解释性以及与其他机器学习模型相当或上级的性能。使用BART与肿瘤特异性因子的综合生物信息学分析可以将结直肠癌患者稳健地分层为预后组，并易于应用于临床肿瘤学实践。
Routine tumor-node-metastasis (TNM) staging of colorectal cancer is imperfect in predicting survival due to tumor pathobiological heterogeneity and imprecise assessment of tumor spread. We leveraged Bayesian additive regression trees (BART), a statistical learning technique, to comprehensively analyze patient-specific tumor characteristics for the improvement of prognostic prediction. Of 75 clinicopathologic, immune, microbial, and genomic variables in 815 stage II–III patients within two U.S.-wide prospective cohort studies, the BART risk model identified seven stable survival predictors. Risk stratifications (low risk, intermediate risk, and high risk) based on model-predicted survival were statistically significant (hazard ratios 0.19–0.45, vs. higher risk; P < 0.0001) and could be externally validated using The Cancer Genome Atlas (TCGA) data (P = 0.0004). BART demonstrated model flexibility, interpretability, and comparable or superior performance to other machine-learning models. Integrated bioinformatic analyses using BART with tumor-specific factors can robustly stratify colorectal cancer patients into prognostic groups and be readily applied to clinical oncology practice.
登录
查看更多内容
影响因子：
11.1
作者：
Fujiyoshi, Kenji;Vayrynen, Juha P.;Ogino, Shuji
通讯作者：
Ogino, Shuji
影响因子：
1.8
作者：
Bleich, Justin;Kapelner, Adam;Jensen, Shane T.
通讯作者：
Jensen, Shane T.
DOI：
10.1002/cjs.11248
发表时间：
2015-06-01
影响因子：
0.6
作者：
Kapelner, Adam;Bleich, Justin
通讯作者：
Bleich, Justin
影响因子：
3.7
作者：
Inamura K;Yamauchi M;Nishihara R;Kim SA;Mima K;Sukawa Y;Li T;Yasunari M;Zhang X;Wu K;Meyerhardt JA;Fuchs CS;Harris CC;Qian ZR;Ogino S
通讯作者：
Ogino S
影响因子：
254.7
作者：
Amin, Mahul B.;Greene, Frederick L.;Winchester, David P.
通讯作者：
Winchester, David P.