Abstract A012: A Deep Learning Framework for Predicting Survival in Gastric Cancer: A Comparative Analysis with Traditional Cox Regression
Notice bibliographique
Résumé
Abstract Introduction: Gastric cancer remains a leading cause of cancer-related mortality worldwide, with prognosis heavily dependent on a complex interplay of clinical and pathological factors. Traditional statistical models like Cox proportional hazards regression have limitations in capturing non-linear relationships and complex interactions between variables. This study aims to develop and validate a deep learning model for predicting overall survival in gastric cancer patients and compare its performance to a conventional Cox model. Methods: We conducted a retrospective cohort study of 200 patients diagnosed with gastric or gastroesophageal junction adenocarcinoma. A deep learning neural network was implemented using TensorFlow and Keras, with an architecture consisting of two hidden layers (64 and 32 neurons) and dropout regularization. The model was trained on clinical variables including age, gender, body mass index, symptoms, cancer stage, H. pylori status, and surgical resection. Model performance was evaluated using Harrell's concordance index (C-index) and compared against a traditional Cox proportional hazards model. Feature importance was interpreted using SHapley Additive exPlanations (SHAP) values. Results: The deep learning model achieved a C-index of 0.69 (95% CI: 0.62-0.75) on the test set, demonstrating moderate predictive accuracy for survival. This performance was comparable to the traditional Cox model, which yielded a C-index of 0.67 (95% CI: 0.60-0.73). SHAP analysis identified surgical non-resection, advanced cancer stage (III and IV), and male gender as the most important predictors of poor survival. Kaplan-Meier analysis confirmed significant stratification between low, medium, and high-risk groups defined by the model's output (log-rank p < 0.0001). Conclusion: A deep learning approach can predict survival in gastric cancer patients with accuracy comparable to traditional statistical methods. The model effectively identified key prognostic factors and stratified patients into distinct risk categories. This analytical framework holds promise for enhancing prognostic precision and could potentially inform personalized clinical decision-making. The most significant predictors of poor survival were the inability to perform surgical resection and advanced disease stage. Citation Format: Ahmed M. Badheeb. A Deep Learning Framework for Predicting Survival in Gastric Cancer: A Comparative Analysis with Traditional Cox Regression [abstract]. In: Proceedings of the AACR Special Conference in Cancer Research: The Rise in Early-Onset Cancers—Knowledge Gaps and Research Opportunities; 2025 Dec 10-13; Montreal, QC, Canada. Philadelphia (PA): AACR; Clin Cancer Res 2025;31(23_Suppl):Abstract nr A012.
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 | 0,008 | 0,011 |
| 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 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».