Machine Learning and Mechanistic Modeling for the prediction of Overall Survival on the basis of 1st line Tumor Dynamics in Head and Neck Squamous Cell Carcinoma - Archive ouverte HAL Access content directly
Poster Communications Year :

Machine Learning and Mechanistic Modeling for the prediction of Overall Survival on the basis of 1st line Tumor Dynamics in Head and Neck Squamous Cell Carcinoma

(1) , (2, 3) , (4) , (5) , (1)
1
2
3
4
5

Abstract

The prediction of Overall Survival and Response to 2nd line treatment is a major challenge in treatment of Head and Neck Squamous Cell Carcinoma (HNSCC). Here we used tumor kinetics measured by the Sum of the Largest Diameters (SLD) of the lesions in the patients during the first line to provide interesting predictive metrics for Overall Survival. Using a mechanistic mathematical model, we were able to fit the clinical data of SLD measurements in a HNSCC clinical trial. The data we used consist of 528 patients with 22 baseline clinical feaures. After benchmarking different machine learning algorithms, the Random Survival Forest Algorithm combined with the mechanistic model was able to predict the Overall Survival with a C-index of 0.7 in cross-validation on the train set and 0.67 on the test set. Likewise, the most impacting parameters for the prediction of OS are the parameters resulting from the mathematical model describing the kinetics of tumors (the tumor growth rate and Time to Growth after shrinkage).
La prédiction de la survie globale et de la réponse au traitement de 2e ligne est un défi majeur dans le traitement du carcinome épidermoïde de la tête et du cou (HNSCC pour Head and Neck Squamous Cell Carcinoma). Ici, nous avons utilisé la cinétique tumorale mesurée par la somme des plus grands diamètres (SLD) des lésions chez les patients au cours de la première ligne pour fournir des métriques prédictives intéressantes pour la survie globale. À l'aide d'un modèle mathématique mécaniste, nous avons pu ajuster les données cliniques des mesures SLD dans un essai clinique HNSCC. Les données que nous avons utilisées se composent de 528 patients avec 22 variables cliniques de base. Après avoir comparé différents algorithmes d'apprentissage automatique, l'algorithme de Forêts Aléatoires de Survie (RSF pour Random Survival Forest) combiné au modèle mécaniste a pu prédire la survie globale avec un indice C de 0.7 en validation croisée sur l'ensemble d'entrainement et de 0.67 sur l'ensemble de test. De même, les paramètres les plus impactants pour la prédiction de la Survie Globale sont les paramètres résultant du modèle mathématique décrivant la cinétique des tumeurs (le taux de croissance tumorale et le temps de croissance après rétrécissement).
Fichier principal
Vignette du fichier
2021posterHNSCCkevinAtsou (1).pdf (1.16 Mo) Télécharger le fichier
Origin : Files produced by the author(s)

Dates and versions

hal-03467230 , version 1 (06-12-2021)

Identifiers

  • HAL Id : hal-03467230 , version 1

Cite

Kevin Atsou, Anne Auperin, Joêl Guigay, Sébastien Salas, Sébastien Benzekry. Machine Learning and Mechanistic Modeling for the prediction of Overall Survival on the basis of 1st line Tumor Dynamics in Head and Neck Squamous Cell Carcinoma. Colloque Science numériques et intelligence Artificielle pour la Santé, AMU, Nov 2021, Marseille, France. ⟨hal-03467230⟩
138 View
66 Download

Share

Gmail Facebook Twitter LinkedIn More