可解释的机器学习模型可以预测腹腔镜切除直肠癌手术难度
Miao Yu1, Zihan Yuan1, Ruijie Li1
1Department of General Surgery, The First Affiliated Hospital of Soochow University, Suzhou, China.
Frontiers in oncology
|February 21, 2024
概括
这项研究开发了一种XGBoost模型,用于预测腹腔镜全腹膜切除术 (LaTME) 对于直肠癌的手术难度. 该模型准确地识别了具有挑战性的病例,使个性化手术方法能够获得更好的患者结果.
科学领域:
- 手术瘤学手术瘤学
- 机器学习在医学中的应用
- 结直肠癌的治疗方法
背景情况:
- 腹腔镜全腹膜切除术 (LaTME) 是对直肠癌的一种标准但具有挑战性的程序.
- 预测手术困难对于优化患者护理和手术规划至关重要.
研究的目的:
- 开发和验证机器学习模型,用于预测直肠癌患者LaTME的难度.
- 为了比较各种机器学习模型在预测外科手术难度方面的性能.
主要方法:
- 对626名接受LATME治疗的直肠癌患者进行了回顾性分析.
- 使用LASSO和后勤回归来选择特征;用于类不平衡的SMOTE.
- 开发和评估六个机器学习模型 (LGBM,CatBoost,XGBoost,LR,RF,MLP) 使用AUROC,精度,灵敏度,特异性和F1评分.
主要成果:
- XGBoost 模型以 0.855.5 的 AUROC 显示出最佳性能.
- 确定的关键预测因素包括瘤高度,PNI,盆腔入口/出口尺寸,神经关节距离,中直肠脂肪区域和角度5.
- 瘤高度被确定为XGBoost模型中最重要的预测因素.
结论:
- 一个XGBoost模型有效地预测了直肠癌中的LaTME手术难度.
- 这种预测工具可以帮助临床医生预测手术挑战并定制治疗策略.


