مدل تحلیل بقا مبتنی بر یادگیری ماشین ترکیبی برای پیش‌بینی عود سرطان پستان

مدل تحلیل بقا مبتنی بر یادگیری ماشین ترکیبی برای پیش‌بینی عود سرطان پستان

منیره شاهمرادی1

1) کارشناس ارشد آمار ریاضی، دانشگاه یاسوج، یاسوج، ایران.

کد IOI مقاله : AAGF-AAHGZC
محل انتشار : نهمین کنفرانس بین المللی پژوهش های کاربردی در علوم و مهندسی(carseconf.com/9th)
چکیده :
    عود سرطان سینه یک چالش بالینی عمده در انکولوژی، به ویژه در ایران، است که در آن افزایش میزان بروز و نتایج درمانی ناهمگن، ابزارهای پیش‌بینی بقا دقیق‌تری را می‌طلبد. مدل‌های آماری سنتی مانند رویکرد خطرات متناسب کاکس، در حالی که برای تجزیه و تحلیل عود اساسی هستند، اغلب در ثبت تعاملات غیرخطی ذاتی در مجموعه داده‌های بالینی چندبعدی شکست می‌خورند. در پاسخ، مطالعه حاضر یک مدل تجزیه و تحلیل بقا مبتنی بر یادگیری ماشین ترکیبی را توسعه داده و اعتبارسنجی می‌کند که برای بهبود دقت پیش‌بینی عود و قابلیت تفسیر در بین بیماران سرطان سینه ایرانی طراحی شده است. این مطالعه از یک طرح کمی گذشته‌نگر با استفاده از پرونده‌های بالینی ناشناس از مراکز اصلی انکولوژی در سراسر تهران، شیراز و مشهد، شامل داده‌های جمع‌آوری‌شده بین سال‌های 2021 تا 2025، استفاده کرد. چارچوب ترکیبی، رگرسیون کاکس را برای تخمین خطر پایه با الگوریتم‌های گروهی - بقای جنگل تصادفی و بقای XGBoost - برای مدل‌سازی تعاملات ویژگی‌های غیرخطی ادغام کرد. معیارهای ارزیابی شامل شاخص تطابق (شاخص C)، AUC وابسته به زمان و دقت کالیبراسیون بودند که از طریق محیط‌های تحلیلی پایتون و R محاسبه شدند. نتایج نشان داد که مدل ترکیبی به شاخص C برابر با 0.87 دست یافت که از هر دو مدل مستقل کاکس (0.74) و مدل‌های یادگیری ماشینی تکی (0.84) عملکرد بهتری داشت. این مدل، دقت کالیبراسیون بالایی را در فواصل پیگیری حفظ کرد و بیماران را به طور مؤثر به گروه‌های با خطر عود بالا، متوسط ​​و پایین طبقه‌بندی کرد. عوامل پیش‌بینی‌کننده کلیدی شامل درگیری غدد لنفاوی، درجه تومور و وضعیت گیرنده هورمون بودند که استحکام بیولوژیکی را تأیید می‌کردند و در عین حال بینش‌های قابل تفسیری را از طریق تجزیه و تحلیل SHAP ارائه می‌دادند. یافته‌ها ثابت می‌کنند که ترکیب استنتاج آماری با سازگاری یادگیری ماشینی، ابزاری متعادل، شفاف و با عملکرد بالا برای تخمین بقا ارائه می‌دهد که برای زمینه‌های بالینی ایران مناسب است. این مطالعه نتیجه می‌گیرد که مدل‌سازی بقای ترکیبی، یک پیشرفت روش‌شناختی قابل اعتماد را ارائه می‌دهد که قادر به پشتیبانی از سرطان‌شناسی دقیق با ادغام ساختار اپیدمیولوژیک، هوش محاسباتی و کاربرد بالینی است. در مجموع، این چارچوب نه تنها قابلیت پیش‌بینی را افزایش می‌دهد، بلکه به توسعه یک اکوسیستم تحلیلی تطبیقی ​​ملی برای پیش‌آگهی سرطان پستان در ایران نیز کمک می‌کند و راه را برای اعتبارسنجی‌های آینده‌نگر و پیاده‌سازی بلادرنگ در سیستم‌های پشتیبانی تصمیم‌گیری بیمارستانی هموار می‌سازد.

کلمات کلیدی : عود سرطان سینه تحلیل بقا یادگیری ماشین هیبریدی مدل کاکس ایران