可解释的基于机器学习的临床预测模型,用于预测肝脏内胆固醇癌患者的淋巴结转移

科学领域:

• 肝胆道手术 肝胆道手术
• 在瘤学瘤学.
• 医疗信息学 医疗信息学

背景情况:

• 淋巴结转移 (LNM) 显著影响肝内胆管癌 (ICC) 的预后和治疗.
• 准确预测LNM对于有效的患者管理至关重要.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测ICC患者的LNM.
• 在ICC中确定LNM的关键预测因素.

主要方法:

• 利用了345名ICC患者的数据 (2007年1月至2019年1月).
• 采用LASSO和后勤分析来识别预测因素.
• 使用十倍交叉验证开发和验证了六个ML模型 (LR,GBM,XGB,RF,DT,MLP).
• 使用接收器操作特征曲线 (AUC) 下面的面积来评估模型性能.

主要成果:

• 确定了酒精性肝病,吸烟,边界,直径和白细胞计数作为LNM的独立预测因素.
• ML模型实现了从0.820到0.908.90的平均AUC值.
• 在XGB模型中,AUC的平均值最高,为0.908.

结论:

• 基于ML的模型有效地预测了ICC患者的LNM.
• XGB模型提供了最佳的预测性能.
• 从XGB模型开发的网络计算器可以帮助临床医生预测LNM和个性化治疗计划.