一个可解释的人工智能模型用于在胃肠道 stromal 瘤手术后预测复发:一个观察性队列研究
Dimitris Bertsimas1, Georgios Antonios Margonis2, Seehanah Tang1
1Operations Research Center, Massachusetts Institute of Technology, Cambridge, MA, USA.
EClinicalMedicine
|September 21, 2023
概括
一个新的AI模型,最佳分类树 (OCT),准确地预测了手术后胃肠道瘤 (GIST) 复发风险. 与现有方法相比,该模型显示出优越的歧视和校准,可能改善患者咨询和治疗决策.
科学领域:
- 在瘤学瘤学.
- 人工智能在医学中的应用
- 预测模型的预测建模
背景情况:
- 预测切除后胃肠层瘤 (GIST) 复发的现有模型具有次优校准.
- 对于GIST复发,需要具有良好的歧视和校准的预后模型.
- 利用预测变量之间的非线性关系是改善GIST复发预测的关键.
研究的目的:
- 开发基于人工智能 (AI) 的预后模型,最佳分类树 (OCT),以预测GIST复发.
- 确保开发的模型表现出出色的区分和校准.
- 评估模型的性能与现有的基准,并评估其临床实用性.
主要方法:
- 一项观察性队列研究利用了395名患者的数据,这些患者在Imatinib前的时代接受了GIST切除 (斯隆凯特林纪念癌症中心和欧洲联盟).
- 一个可解释的AI模型,最佳分类树 (OCT),被训练以捕捉复发预测器之间的非线性关系.
- 对596名患者进行了外部验证,使用歧视 (哈雷尔的C指数,布里尔得分) 和校准指标,将OCT与MSK GIST名录进行比较.
主要成果:
- 在外部验证队列中,CT国外模型在MSK名组 (0.788) 与MSK名组 (0.788) 相比显示出更高的歧视性 (C指数:0.805).
- 与MSK nomogram.com不同的是,OCT显示出优异的校准 (斜率:1.041,截图:0.038) 与较低的Brier分数 (0.147) 和微不足道的Hosmer-Lemeshow测试 (P=0.087) 相比,OCT显示出优异的校准 (斜率:1.041,截图:0.038).
- 决策曲线分析表明,在不同复发风险水平的患者的决策中,OCT模型具有优越的临床实用性.
结论:
- 基于人工智能的OCT模型代表了GIST复发风险的第一个预后工具,在外部验证后证明了优异的歧视,校准和临床实用性.
- 这些发现表明,OCT可能会增强患者咨询,并指导辅助疗法选择.
- 建议进行进一步的验证研究,以巩固OCT在临床实践中对GIST管理的作用.
