可解释的机器学习预测 retroperitoneal 脂瘤的存活率:基于中国SEER数据库和外部验证的研究

科学领域:

• 在瘤学瘤学.
• 机器学习 机器学习
• 生物统计学 生物统计学

背景情况:

• 逆皮质脂肪肉瘤 (RLPS) 是一种罕见的软组织肉瘤.
• 准确预测整体存活率 (OS) 对患者管理至关重要.
• 现有的预后模型可能缺乏透明度和可解释性.

研究的目的:

• 开发和验证可解释的机器学习 (ML) 模型,用于预测RLPS患者的OS.
• 提高瘤学预后模型的透明度和可解释性.
• 确定影响RLPS中的OS的关键因素.

主要方法:

• 利用来自SEER数据库和外部验证队列的临床病理学数据.
• 开发了6个ML模型,包括Coxph,RSF,Ranger,GBM,决策树和提升树.
• 使用C指数,AUC,Brier分数评估模型性能,并使用SHAP和LIME进行解释.

主要成果:

• 护林员ML模型表现出最佳性能,AUC在数据集中始终高于0.83和Brier分数低于0.15.
• 确定的主要预测因素包括患者的年龄,性别,婚姻状况,手术史,瘤的组织病理学分类,组织学等级和SEER阶段.
• 可解释性分析强调了组织学等级,组织病理学分类和年龄作为OS预测最有影响力的因素.

结论:

• 护林员ML模型提供了一个强大的和可解释的工具,用于预测RLPS患者的OS.
• 该模型为临床决策和个性化治疗策略提供了宝贵的见解.
• 在瘤学中,可解释的人工智能可以提高预测模型的信任和实用性.