Использование машинного обучения для прогнозирования выживаемости при раке носоглотки

Рак носоглотки (NPC) – это редкий рак, который имеет свою собственную эпидемиологию и гистопатологию, отличную от других раков головы и шеи. Недифференцированный некератинизирующий карцинома является типичной формой NPC в Южной Китае и Юго-Восточной Азии, но в неэндемических географических областях NPC может быть кератинизирующим или некератинизирующим. NPC начинается с эпителиального покрытия носоглотки и, следовательно, верхней части глотки. Недавно NPC получил значительное внимание как глобальная проблема здравоохранения из-за значительного увеличения заболеваемости и смертности. Хотя стадирование опухоли-узлов-метастазов (TNM) остается угловым камнем прогнозирования и оценки рисков для пациентов с NPC, возникают критики по поводу этого метода, так как пациенты с одинаковым стадием могут иметь значительную клиническую гетерогенность и уникальные онкологические результаты. В этом исследовании мы используем пять различных алгоритмов машинного обучения - логистическую регрессию, наивный Байес, алгоритм ближайших соседей, опорный векторный алгоритм и алгоритм дерева решений - для создания одного уникального алгоритма машинного обучения, известного как стекинг-алгоритм. Мы также сравниваем производительность стекинг-алгоритма с другим состоянием искусства алгоритмом, называемым алгоритмом экстремального градиентного усиления (XGBoost) для прогнозирования результатов общего выживания у пациентов с раком NPC. Результаты объяснимой и интерпретируемой модели могут помочь улучшить прогнозирование, помогая персонализировать шанс выживания для пациентов. Таким образом, можно настроить достаточную интенсивность лечения для пациента.