通过沙普利的附加解释来预测患有单一肺结节的患者的病理侵入性,解释基于树的机器学习放射学模型:一个多中心研究

科学领域:

• 医疗成像医学成像
• 放射学 放射学是一门学科.
• 人工智能在医学中的应用

背景情况:

• 放射学模型对评估肺结节的入侵性和预后有希望.
• 目前缺乏可解释性限制了这些放射学模型的临床应用.
• 开发可解释的模型对于改善患者管理策略至关重要.

研究的目的:

• 构建和验证一个可解释和通用的计算机断层扫描 (CT) 放射学模型.
• 为了评估单个肺结节的病理侵入性.
• 为了提高肺结节患者的临床管理.

主要方法:

• 追溯招募248名CT诊断为孤独肺结节的患者.
• 从结节和周结节区域提取放射性特征,然后进行特征选择.
• 使用后勤和极端梯度提升 (XGBoost) 算法构建临床放射学模型,并使用Shapley增量解释 (SHAP) 进行解释.

主要成果:

• 临床放射性XGBoost模型,集成radscore,CT值,结节长度和新月标志,显示出优异的预测性能 (在训练中AUC为0.889).
• SHAP算法可视化了功能贡献,基于树的决策热图说明了模型的决策过程.
• 该模型在两个独立的外部验证队列中表现出令人满意的概括,AUC为0.889和0.915.

结论:

• 成功构建了一个可解释和通用的临床放射学模型,用于预测肺结节的侵入性.
• 该模型有助于临床医生了解肺结节的侵入性,并制定评估策略.
• 开发的模型为临床决策提供了一个易于理解的方法.