一个可解释的深度学习框架,用于预测术后结直肠癌患者的肝转移,使用自然语言处理和临床数据整合
Jia Li1, Xinghao Wang1, Linkun Cai1,2
1Department of Radiology, Beijing Friendship Hospital, Capital Medical University, Beijing, People's Republic of China.
Cancer medicine
|September 11, 2023
概括
一个新的融合模型整合了医疗记录和实验室数据,以预测结直肠癌患者的肝转移. 这种方法提高了预测的准确性,帮助临床决策和改善患者的结果.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 数据科学数据科学数据科学
背景情况:
- 肝转移 (LM) 在术后结直肠癌 (CRC) 患者中显著增加死亡风险.
- 准确预测LM对于改善患者存活率和指导治疗策略至关重要.
研究的目的:
- 开发一种可解释的融合模型,用于预测术后结直肠癌患者的肝转移.
- 整合自由文本医疗记录和结构化实验室数据,以提高预测准确度.
主要方法:
- 利用了1463名具有先进自然语言处理 (NLP) 和机器学习的患者的数据集.
- 开发了一个双层融合框架,将NLP和结构化数据分析结合起来.
- 采用了Shapley对模型可解释性的添加式解释,并创建了一个基于NLP得分的nomogram.
主要成果:
- 与单模模式相比,融合模型实现了优越的预测性能.
- 在预测LMs时,获得了80.8%的准确性,80.3%的精度,80.5%的回忆率和80.8%的F1得分.
- 通过名图,确定了13个临床应用的关键预测因素.
结论:
- 开发的融合模型在预测结直肠癌患者肝转移方面取得了重大进展.
- 这种可解释的模型为改善患者结果和加强临床决策提供了潜力.
- 多样化的数据模式的整合为癌症转移预测提供了更强大的方法.
