सुलभ मशीन लर्निंग और दीप लर्निंग मॉडल प्रारंभिक चरण के हार्मोन रिसेप्टर-पॉजिटिव/HER2-नेगेटिव स्तन कैंसर में नियोडजुवेंट कीमोथेरेपी प्राप्त करने वाले रोगियों में प्रतिक्रिया और जीवित रहने की भविष्यवाणी करते हैं

सार हार्मोन रिसेप्टर-पॉजिटिव/HER2 नेगेटिव स्तन कैंसर (BC) BC का सबसे सामान्य उपप्रकार है और आमतौर पर प्रारंभिक, शल्यक्रियायोग्य रोग के रूप में प्रकट होता है। नियोडजुवेंट कीमोथेरेपी (NACT) प्राप्त करने वाले रोगियों में, पैथोलॉजिकल कम्प्लीट रिस्पांस (pCR) दुर्लभ होता है और रोग की पुनरावृत्ति और जीवित रहने की भविष्यवाणी करने के लिए कई प्रयास किए गए हैं। हमने pCR, रोग-मुक्त जीवित रहने (DFS) और समग्र जीवित रहने (OS) की भविष्यवाणी के लिए एक ढांचा विकसित किया जो निदान और सर्जरी के बाद व्यापक रूप से उपलब्ध क्लिनिकोपैथोलॉजिकल विशेषताओं का उपयोग करता है। pCR की भविष्यवाणी के लिए प्रशिक्षित मशीन लर्निंग (ML) मॉडल (n = 463) का आंतरिक वैधीकरण समूह (n = 109) में मूल्यांकन किया गया और बाहरी वैधीकरण समूह (n = 171) में पुष्टि की गई, जिसमें क्रमशः 0.86 और 0.81 का AUC प्राप्त हुआ। DFS और OS की भविष्यवाणी के लिए प्रशिक्षित मॉडलों का आंतरिक वैधीकरण समूह में मूल्यांकन किया गया, जिसमें संगति सूचकांक 0.70 और 0.69 प्राप्त हुआ। हमारे परिणाम सुलभ ML एल्गोरिदम को क्लिनिकल प्रैक्टिस में शामिल करने के महत्व को रेखांकित करते हैं और ML मॉडलों के आधार पर जोखिम-अनुकूल क्लिनिकल ट्रायल के विकास के लिए एक ढांचा प्रदान करते हैं।