可解释的机器学习模型用于预测卵巢癌手术和辅助化疗期间的骨肌肉损失

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 卵巢癌患者的骨肌损失与生存率差相关.
• 通过CT扫描来评估肌肉质量是劳动密集型的,并限制了临床效用.
• 需要有效的方法来预测肌肉损失.

研究的目的:

• 开发和解释一种机器学习 (ML) 模型,用于预测卵巢癌患者的骨肌肉损失.
• 利用临床数据来预测肌肉损失,克服基于CT的评估的局限性.
• 应用夏普利添加式解释 (SHAP) 来实现模型的可解释性.

主要方法:

• 利用了来自617名接受初级脱手术和化疗的卵巢癌患者的数据.
• 开发和评估了五个ML模型,包括随机森林,以预测肌肉损失 (定义为骨肌肉指数≥5%下降).
• 使用SHAP识别关键预测特征,包括白蛋白,BMI,中性粒细胞与淋巴细胞比率 (NLR) 和血小板与淋巴细胞比率 (PLR) 的变化.

主要成果:

• 随机森林模型表现出高性能,在训练/测试组中实现AUC为0.856和F1得分为0.726.
• 外部验证证实了随机森林模型的优越性,AUC为0.874,F1得分为0.741.
• SHAP分析确定了白蛋白变化,BMI变化,恶性,NLR变化和PLR变化作为肌肉损失的关键预测因素.

结论:

• 通过使用临床数据,成功开发了一种可解释的ML模型,用于预测卵巢癌患者的肌肉损失.
• SHAP方法提供了对导致肌肉损失的因素的宝贵见解,有助于临床理解.
• 这种方法使临床医生能够更好地识别有风险的患者,并针对减轻肌肉损失的干预措施.