通过可解释的机器学习模型,推进非典型和形脑膜瘤的个性化预后

科学领域:

• 神经瘤学神经瘤学
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 异常性 (世卫组织II级) 和形性 (世卫组织III级) 脑膜瘤是具有可变预后的侵袭性脑瘤.
• 准确的生存预测对于有效的患者管理和治疗规划至关重要.

研究的目的:

• 开发和部署机器学习 (ML) 模型,用于预测世卫组织II级和III级脑膜瘤患者的生存结果.
• 创建一个用户友好的 Web 应用程序,整合这些预测模型.

主要方法:

• 一项回顾性队列研究利用了来自国家癌症数据库 (NCDB) 的12,197名患有世卫组织II级和III级脑膜瘤的成年患者的数据.
• 使用Optuna库训练和优化了五个ML算法 (TabPFN,TabNet,XGBoost,LightGBM,Random Forest).这些算法使用了Optuna库进行训练和优化.
• 选择了表现最好的模型,将其部署在基于Web的应用程序中,以预测12个月,36个月和60个月的死亡率.

主要成果:

• TabPFN算法在所有时间点预测死亡率方面表现出卓越的表现.
• 在TabPFN模型中,接收器操作特征 (AUROC) 下的面积值为0.805 (12个月),0.781 (36个月) 和0.815 (60个月).
• 该数据集包括12,197名患者 (56.1%为女性,平均年龄为61岁).

结论:

• 机器学习模型是预测高度脑膜瘤患者生存结果的宝贵工具.
• 开发的Web应用程序为风险分层和预后评估提供了一个实用的平台.
• 可解释的ML模型可以增强神经瘤学中的临床决策.