Effective Survival Prediction and Evaluation for Cancer Patients
Notice bibliographique
Résumé
Abstract Background: As cancer is the leading global cause of death, an ongoing challenge is predicting an individual’s cancer progression accurately, to facilitate personalized treatment planning. In deploying individual survival prediction models, a pivotal question emerges: Are we striving to compare survival durations between patients (e.g., ‘Who survives longer between patients A and B?’) or are we endeavoring to estimate a specific patient’s survival time (e.g., ‘How long will patient A survive?’), among other scenarios. This paper addresses this fundamental inquiry and conducts a comprehensive evaluation of such predictive models. Materials and methods: We consider 9 common solid tumors (brain, breast, kidney, liver, lung, stomach, prostate, thyroid, and urinary bladder) using data from the Surveillance, Epidemiology, and End Results program. We employ both conventional and advanced machine learning models that predict individualized survival distributions. We consider several different possible goals of a survival prediction model and connect each goal to a specific evaluation metric. We propose modified versions of the mean absolute error tailored to address a query about a patient’s expected survival duration. Results: Our research involved training multiple models on various cancer types and rigorously evaluating those models using the proposed metrics. We demonstrate that a model might be effective for one goal but ineffective for another, and show that we can determine this based on the measure used. Our findings underscore the importance of selecting an appropriate evaluation measure that is aligned with the primary objective of a study. Conclusion: This work highlights the need for evaluation metrics that are relevant to the research objectives and identifies which objective leads to which evaluation metric. This research sets a path for future research that seeks to further refine predictive models for oncological prognostication. Keywords: survival analysis, cancer study, machine learning, effective evaluation
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».