L'utilisation de l'apprentissage automatique pour la prédiction de survie du cancer du nasopharynx

Le cancer du nasopharynx (NPC) est un cancer rare qui présente une épidémiologie et une histopathologie distinctes des autres cancers de la tête et du cou. Bien qu'il soit endémique dans certaines régions géographiques, il peut également être présent dans d'autres régions. Le taux de mortalité du NPC est considérablement élevé, indépendamment de l'emplacement géographique. Par conséquent, une estimation précise du pronostic des patients atteints de NPC est importante pour une gestion efficace de la maladie. Le système de classification TNM reste la pierre angulaire de la prognostication et de la stratification des risques pour les patients atteints de NPC. Cependant, il existe des critiques croissantes à propos de ce système, car les patients au même stade peuvent présenter une hétérogénéité clinique significative. Par conséquent, il y a une discussion en cours sur l'incorporation de facteurs pronostiques non anatomiques qui refléteraient le comportement biologique de la tumeur en plus des paramètres TNM pour une meilleure stratification des risques. Une approche potentielle intéressante pour la prise en compte d'autres facteurs en plus du système de classification TNM est l'utilisation de l'apprentissage automatique. Cette étude examine l'utilisation de cinq algorithmes d'apprentissage automatique différents pour la prédiction des résultats de survie globale chez les patients atteints de cancer du nasopharynx. L'algorithme empilé (stacking generalization) a été utilisé pour combiner les performances des différents algorithmes. De plus, l'algorithme a été comparé à un autre algorithme d'apprentissage automatique appelé extreme gradient boosting (XGBoost). Les résultats ont été interprétés à l'aide de techniques d'explications de modèles locales et additives (LIME et SHAP). Ce modèle interprétable peut aider à la prognostication en assistant dans la stratification personnalisée des chances de survie pour les patients, permettant ainsi une intensité de traitement adéquate pour le patient.