基于临床因素的可解释机器学习模型,用于预测不确定的肺结节的消失

科学领域:

• 肺部病理学 肺部病理学
• 放射学 放射学是一门学科.
• 医疗信息学 医疗信息学

背景情况:

• 不确定的肺结节 (IPN) 是肺癌查期间常见的发现.
• 预测IPN解决状态对于优化患者管理和减少不必要的后续检查至关重要.

研究的目的:

• 开发和评估机器学习 (ML) 模型,用于预测IPN的分辨率.
• 提高ML模型预测的可解释性,以提高临床可解释性.

主要方法:

• 在荷兰和比利时的随机肺癌查试验中利用了724个IPN的数据.
• 实施并比较了六个ML模型,使用了14个预测因素和交叉验证.
• 应用了三种特征重要性技术 (MDI,PFI,SHAP) 来识别关键预测因素.

主要成果:

• 一个随机森林模型表现出卓越的性能,AUC为0.865.
• 该模型实现了0.646的召回率,0.816的精度,F1得分为0.721.
• 在可解释性方法中,体积,最大直径和最小直径始终被确定为最重要的预测因素.

结论:

• ML模型有效地使用临床和结节特征预测IPN消失.
• 可解释的AI技术可以支持临床医生对IPN进行知情的初步评估.