用可解释机器学习模型在延长治疗窗口内进行机械血栓切除术的急性缺血性中风患者的预后估计
Lin Tong1, Yun Sun2, Yueqi Zhu3
1Department of Radiology Intervention, Shanghai Putuo District Liqun Hospital, Shanghai, China.
Frontiers in neuroinformatics
|October 30, 2023
概括
极端梯度增强 (XGBoost) 有效地预测了在扩展窗口中接受机械血栓切除 (MT) 的急性缺血性中风与大血管封闭 (AIS-LVO) 患者的结果. SHAP分析提高了用于临床决策的模型解释性.
科学领域:
- 神经学 神经学
- 医疗成像医学成像
- 机器学习在医学中的应用
背景情况:
- 机械血栓切除术 (MT) 对急性缺血性中风与大血管封闭 (AIS-LVO) 至关重要,即使在延长的治疗窗口中.
- 然而,预测MT后患者的结果仍然具有挑战性,只有40-50%的人获得了良好的结果.
- 机器学习 (ML) 显示出预测结果的潜力,但往往缺乏可解释性.
研究的目的:
- 为AIS-LVO开发和选择一个最佳的ML模型,用于预测扩展窗口MT中的结果.
- 为了提高选择模型的可解释性,使用沙普利增量解释 (SHAP) 方法.
主要方法:
- 对260名接受扩展窗口MT的AIS-LVO患者的回顾性分析.
- 使用预处理变量开发和验证四个ML分类器和一个后勤回归模型.
- 模型的比较验证和测试,使用SHAP分析来解释特征.
主要成果:
- 极端梯度增强 (XGBoost) 显示出优异的预测性能 (AUC 0.93验证,0.77测试).
- SHAP分析确定了关键预测因素:缺血核心体积,基线NIHSS得分,缺血半阴影体积,方面和年龄.
- XGBoost模型在预测研究患者队列的预后方面被证明是有效的.
结论:
- XGBoost是AIS-LVO在扩展窗口MT中预测预后的最有效模型.
- SHAP解释增加了对ML模型的临床信心,以预测中风的结果.
- 这项研究支持将可解释的ML纳入中风管理的临床决策.
