在接受激进放射治疗的非小细胞肺癌患者中,基于深度学习的可解释的生存预测

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 考克斯比例危险 (CPH) 回归假设线性关系,可能过度简化生存预测.
• 非线性机器学习 (ML) 方法,如随机生存森林 (RSF) 和深度学习 (DL) 提供了替代方案,但往往缺乏可解释性.
• 在接受放射治疗的非小细胞肺癌 (NSCLC) 患者中预测整体存活率 (OS) 需要强大且可解释的模型.

研究的目的:

• 为了比较CPH,RSF和DL模型在进行放射治疗的NSCLC患者的预测OS中的性能.
• 利用可解释的人工智能技术来理解影响这些模型的操作系统预测因素.
• 评估DL模型在这个队列的生存预测中对传统和其他ML方法的优越性.

主要方法:

• 开发和比较CPH,RSF和DL模型用于OS预测,使用471名NSCLC患者的治疗前共变量.
• 采用10倍的蒙特卡洛交叉验证,火车验证测试分成70%:10%:20%.
• 使用一致性指数 (C指数) 和集成的Brier分数 (IBS) 评估模型性能,并将本地可解释模型-不可知解释 (LIME) 纳入解释性.

主要成果:

• 与CPH和RSF相比,DL模型实现了显著更高的C指数 (0.670) 和较低的IBS (0.121).
• 在LIME分析中,确定了化疗阶段,化疗给药和食道平均辐射剂量是DL模型中对OS预测最有影响力的共变量.
• DL方法表现出卓越的预测准确性,并提供了对生存结果的可解释的见解.

结论:

• 深度学习模型显著优于传统的CPH和RSF方法,用于预测放射治疗的NSCLC患者的整体存活率.
• 可解释的AI技术成功地提高了复杂的DL生存模型的透明度和可解释性.
• 这项研究强调了先进的ML技术对个性化治疗策略和NSCLC放射治疗改善结果的潜力.