基于AI方法的集成模型利用现有数据预测乳腺癌15年转移风险，AUC高达0.9

乳腺癌是导致美国女性死亡的两大癌症之一，每年约有3万名女性因此死亡。每年新发乳腺癌超过30万例，这表明只有一部分癌症会导致死亡。因此，大多数女性接受了针对局部疾病的看似治愈性治疗，但相当一部分患者后来会发展为转移性疾病，而对于绝大多数转移性疾病患者，目前的治疗只能暂时控制病情。对于5名接受局部治疗后看似治愈的女性中，有4名当前的预后指标几乎没有可操作的价值，许多女性不必要地接受了病态甚至致命的辅助治疗，而辅助治疗仅能将转移复发率降低三分之一。因此，需要更好的预后方法来针对可能复发的患者进行积极治疗，同时避免对实际上已治愈的患者进行过度治疗。虽然有大量正在使用和开发中的分子和肿瘤标志物检测方法用于早期复发检测，但这些方法耗时、昂贵，并且常常在可操作的预后价值方面未经验证。另一种方法是使用大数据技术来确定能够利用现有数据提供准确预后的临床和组织病理学参数。在此，我们报告了使用机器学习、网格搜索和贝叶斯网络开发的算法，在ROC分析中AUC高达0.9，且仅使用现有数据。由于这些算法不需要超出常规肿瘤评估的额外检测，因此可以快速转化为临床管理。