Machine learning prediction of overall survival in patients with cT1b renal cell carcinoma after surgical resection using the SEER database
8.0
来源：
Nature
关键字：
computational pathology
发布时间：
2025-11-03 23:42
摘要：
本研究利用SEER数据库的数据，开发了一种随机生存森林（RSF）模型，以预测cT1b肾细胞癌患者在手术切除后的整体生存率。该模型显示出比传统AJCC TNM分期系统更高的预测能力，AUC值分别为0.746和0.742，具有良好的临床应用潜力。研究还通过SHAP分析识别了影响生存预测的关键变量，如年龄、肿瘤大小和婚姻状况，强调了个体化随访的重要性。未来的研究应关注模型的外部验证和进一步的临床应用。
原文：
查看原文
价值分投票
评分标准
新闻价值分采用0-10分制，综合考虑新闻的真实性、重要性、时效性、影响力等多个维度。
评分越高，表示该新闻的价值越大，越值得关注。
价值维度分析
domain_focus
1.0分+重点关注领域符合度
business_impact
1.0分+商业影响力
scientific_rigor
1.5分+数据支撑的科学性
timeliness_innovation
1.5分+时效性与创新性
investment_perspective
2.5分+BOCG投资视角
market_value_relevance
1.0分+市场价值相关性
team_institution_background
0.0分+团队与机构背景
technical_barrier_competition
0.5分+技术壁垒与竞争格局
关键证据
RSF模型在预测5年和10年生存率方面的AUC分别为0.746和0.742，优于传统的AJCC TNM分期。
研究强调了个体化随访的重要性，尤其是在肾细胞癌患者中。
模型的开发和验证基于22,426名患者的数据，具有较强的代表性和可靠性。
真实性检查
否
AI评分总结
本研究利用SEER数据库的数据，开发了一种随机生存森林（RSF）模型，以预测cT1b肾细胞癌患者在手术切除后的整体生存率。该模型显示出比传统AJCC TNM分期系统更高的预测能力，AUC值分别为0.746和0.742，具有良好的临床应用潜力。研究还通过SHAP分析识别了影响生存预测的关键变量，如年龄、肿瘤大小和婚姻状况，强调了个体化随访的重要性。未来的研究应关注模型的外部验证和进一步的临床应用。