基于机器学习的前列腺肺结直肠卵巢癌筛查试验数据开发卵巢癌风险预测模型研究

《International Journal of Gynecological Cancer》：Improving ovarian cancer risk assessment using a machine learning model developed on data from the Prostate Lung Colorectal Ovarian (PLCO) Cancer Screening Trial

本研究利用前列腺肺结直肠卵巢癌筛查试验（PLCO）数据，开发出基于极限梯度提升（XGBoost）算法的10年卵巢癌风险预测模型。该模型包含17个临床易得特征，在训练集和验证集分别达到AUC=0.80和0.66，显著优于现有模型。研究为卵巢癌精准预防提供了重要工具，推动风险分层管理策略发展。

　　

结果

基于PLCO试验78,209名受试者的数据分析，对照组包含38,867名健康者和239例卵巢癌患者，干预组含38,826名健康者和277例患者（附录图A.1）。我们排除了2,404名不符合试验资格者（含14例卵巢癌病例），以及4,920名关键预测变量缺失者（含11例患者）。

主要结果总结：

我们开发的卵巢癌风险预测模型较既往模型显著提升区分度。这一提升主要通过整合前沿的树状算法（XGBoost）和扩展预测因子列表实现，且未增加数据收集难度——所有预测因子均来自常规临床实践。

与现有研究的对比：

我们的模型

结论

基于树状算法的卵巢癌风险预测模型性能优于既往模型，但仍有提升空间。需持续研究以优化预测效能，并评估基于风险分层的卵巢癌一级/二级预防项目的可行性。