基于临床病理学数据的乳腺癌转移预测可解释的人工智能方法

科学领域:

• 在瘤学瘤学.
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 乳腺癌是全球癌症死亡的主要原因,转移是死亡率的主要驱动因素.
• 目前用于预测乳腺癌转移的机器学习模型面临的挑战是数据不平衡和缺乏可解释性,阻碍了临床信任.
• 现有的计算机辅助预后系统往往对多数类有偏见,并且由于模型的复杂性而导致解释性降低.

研究的目的:

• 开发一种可解释且准确的机器学习方法,用于预测乳腺癌转移.
• 克服现有模型的局限性,包括阶级不平衡和糟糕的解释性.
• 为临床医生提供患者层面的解释,以预测转移.

主要方法:

• 利用成本敏感的CatBoost分类器,在不平衡的数据集上提高预测准确度.
• 整合了LIME (局部可解释模型-不可知解释) 解释器,以实现患者层面的可解释性.
• 在包括716名乳腺癌患者在内的公共数据集上评估了这一方法.

主要成果:

• 与传统和提升模型相比,成本敏感的CatBoost模型在精度 (76.5%),召回 (79.5%) 和F1得分 (77%) 方面表现出卓越的性能.
• LIME成功量化了各种患者和治疗特征对转移风险的影响.
• 确定了影响转移的关键因素,例如不使用辅助化疗 (高影响),组织学类型 (中度影响) 和口服避孕药的使用 (低影响).

结论:

• 提出的可解释方法提高了乳腺癌转移的计算机辅助预后系统的效率和可解释性.
• 这种方法有助于更好地了解转移驱动因素,为患者提供更个性化的治疗决策.
• 这项研究代表了在临床瘤学中实现可靠人工智能的重大进展.