پیش‌بینی زمان بقا عاری از بیماری تهاجمی در بیماران مبتلا به سرطان پستان با به‌کارگیری روش‌های یادگیری ماشین نیمه نظارتی مبتنی بر گراف

سرطان پستان در حال حاضر شایع‌ترین سرطان تشخیص‌داده ‌شده و علت اصلی مرگ‌ و میر ناشی از سرطان در زنان در سراسر جهان است. در سال‌های اخیر در حوزه مطالعات سرطان پستان و روند درمان این بیماری، تحلیل زمان بقای بیماران مبتلا، بسیار مورد توجه بوده است. انتخاب مدل مناسب برای تحلیل زمان بقا چالش اصلی در تحلیل بقا این بیماران است. در این پژوهش کاربردی به کمک روش‌های یادگیری ماشین نیمه نظارتی مبتنی بر گراف، مدلی برای تحلیل بقا بیماران مبتلا به سرطان پستان پیشنهاد شده است. اطلاعات بالینی و فارماکوژنومیکی، به همراه نتایج مصرف داروی تاموکسی‌فن در فرایند درمان سرطان تهاجمی مربوط به 3833 بیمار مبتلا به سرطان پستان که در بازه 5 سال تحت پیگیری بوده‌اند، مورد استفاده قرار گرفته است. همچنین با شبیه‌سازی مدل‌ها در نرم‌افزار متلب، عملکرد مدل پیشنهادی در تخمین زمان بقای عاری از بیماری تهاجمی و سایر پارامترهای بقا با مدل‌های رایج تحلیل بقا، مورد ارزیابی قرار گرفته است. نتایج نشان می‌دهد که با به‌کارگیری مدل پیشنهادی تحلیل بقا در پیش‌بینی زمان بقا عاری از سرطان پستان تهاجمی و همچنین استفاده ترکیبی از ویژگی‌های بالینی و فارماکوژنومیکی، دقت پیش‌بینی 14 درصد بیشتر از زمانی بود که فقط از ویژگی‌های بالینی استفاده شد و 15 درصد بیشتر از زمانی بود که فقط ویژگی‌های فارماکوژنومیکی به کار گرفته شد. علاوه بر این، مدل پیشنهادی تحلیل بقا در پیش‌بینی زمان بقا عاری از بیماری تهاجمی و پارامتر نسبت خطر در مقایسه با مدل‌های رایج تحلیل بقا دقت بالاتری داشته است.

predicting invasive disease-free survival time in breast cancer patients using semi-supervised graph-based machine learning techniques

breast cancer is currently the most commonly diagnosed cancer and leading cause of cancer-related deaths among women worldwide. analyzing the survival time of breast cancer patients has become an important area of research in recent years. the primary challenge in analyzing patient survival time is selecting an appropriate model. this study proposes a model for analyzing breast cancer patient survival using semi-supervised graph-based machine learning methods. the model utilizes clinical and pharmacogenomics data, as well as results from tamoxifen use during invasive cancer treatment, for 3833 patients followed up for five years. additionally, the performance of the proposed model in estimating disease-free survival time was evaluated using matlab software simulations and compared to common survival analysis models. the results demonstrate that by applying the proposed model for predicting invasive disease-free survival time and using a combination of clinical and pharmacogenomic features, the estimation accuracy was 14% higher than when only clinical features were used. moreover, the estimated accuracy was 15% higher than when only pharmacogenomic features were used. furthermore, the proposed model showed higher accuracy for identifying survival risks and predicting patients’ survival time compared to commonly used survival analysis models.