Combining traditional analysis and machine learning to predict early, middle, and long-term recurrence of intrahepatic cholangiocarcinoma
Notice bibliographique
Résumé
INTRODUCTION: Intrahepatic cholangiocarcinoma (ICC) is a rare and highly aggressive cancer. Few patients are eligible for radical surgery, and most face the high risk of recurrence. METHODS: We developed early-, middle- and long-term (1-, 2-, and 3-year) ICC disease-free survival (DFS) prediction models using traditional Logistic analysis combined with machine learning (ML) and systematically compared the performance of traditional analysis and MLs. RESULTS: 275, 256, and 238 ICC patients under radical surgery were included in the 1-, 2-, and 3-year DFS groups respectively. Five-fold cross-validation results demonstrated that both traditional Logistics and ML models exhibited remarkable robustness. MLs outperformed traditional Logistic models for DFS prediction across the AUC, accuracy and F1-scores. Specifically, the average AUC of training cohorts for the ML models were 0.878, 0.897 and 0.917 in 3 groups, compared to 0.657 (P < 0.001), 0.817 (P = 0.05), and 0.798 (P = 0.005) in traditional models. The average AUCs of testing cohorts for ML models were 0.831, 0.768, 0.803 in ML models in 3 groups, compared to 0.619 (P < 0.001), 0.719 (P = 0.008), 0.698 (P < 0.001) in traditional models. SHAP analysis identified lymph node metastasis played significant role in all-round recurrence, T stage and neural invasion had strong correction with middle and long-term recurrence in ICC patients. CONCLUSION: Models with high predictive efficiency across early, middle, and long-term recurrence have been successfully built. ML models outperformed Logistic models for DFS prediction in ICC patients. This study suggests new possibilities for advancing statistical analysis software, such as SPSS and Stata, through ML integration.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».