基于LIME的整体机器用于预测肝癌患者的性能状况
Hung Viet Nguyen1, Haewon Byeon1
1Department of Digital Anti-Aging Healthcare (BK21), Inje University, Gimhae, Republic of Korea.
Digital health
|November 29, 2023
概括
这项研究开发了一种可解释的堆叠组合模型,用于预测东部合作瘤组 (ECOG PS) 在肝癌患者中的表现状态. 该模型实现了高精度,有助于个性化治疗策略.
科学领域:
- 在瘤学瘤学.
- 机器学习 机器学习
- 医疗信息学 医疗信息学
背景情况:
- 东部合作组织瘤组 (ECOG PS) 的绩效状况对于评估癌症患者的预后和指导治疗至关重要.
- 准确预测ECOGPS对于肝癌治疗中有效的临床决策至关重要.
研究的目的:
- 开发一种基于堆叠组合的模型,用于预测肝癌患者的ECOG PS.
- 为了更好的临床理解,将可解释性纳入预测模型.
主要方法:
- 使用光梯度增强机 (LightGBM) 作为元模型构建了一个堆叠组合模型.
- 基本模型包括随机森林 (RF),额外树木 (ET),AdaBoost (Ada),梯度增强机 (GBM) 和极端梯度增强 (XGBoost).
- 该模型以1622名肝癌患者的数据进行训练,并与基于LIME的可解释AI方法集成.
主要成果:
- 最优的堆叠组合组合 (ET+XGBoost+RF+GBM+Ada+LightGBM) 在训练集上实现了0.9826的ROC AUC.
- 该模型表现出强大的预测性能,在测试组中ROC AUC为0.9675 .
结论:
- 开发的可解释堆叠组合模型为预测肝癌患者的ECOG PS提供了一个客观的工具.
- 这种工具可以帮助医疗保健从业者更有效地定制治疗方法.
