在局部晚期乳腺癌中接受新辅助化疗后,开发和验证可解释的机器学习预测模型,用于在局部晚期乳腺癌中获得全病理完整反应:多中心回顾分析
Ziran Zhang1, Bo Cao1, Jinghua Wu1
1Department of Breast Diseases, Jiaxing Women and Children's Hospital, Wenzhou Medical University, Jiaxing, Zhejiang, 314000, P.R. China.
Journal of Cancer
|August 12, 2024
概括
这项研究开发了一种可解释的机器学习模型,用于预测经过新辅助化疗 (NAC) 后局部晚期乳腺癌 (LABC) 患者的病理完整反应 (tpCR). 使用治疗前数据的K-最近邻居 (KNN) 模型显示出高准确性,并将向治疗确定为关键预测因素.
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:
- 局部晚期乳腺癌 (LABC) 需要有效的治疗策略.
- 新辅助化疗 (NAC) 是LABC的标准治疗方法.
- 预测治疗反应,特别是全病理完整反应 (tpCR),对于优化患者的治疗结果至关重要.
研究的目的:
- 开发和验证一个可解释的机器学习 (ML) 模型,用于预测接受NAC的LABC患者的tpCR.
- 确定TPCR的关键临床和病理预测因素.
- 通过可解释性技术提高预测模型的临床实用性.
主要方法:
- 一项多中心的回顾性研究,涉及698名LABC患者,具有NAC前临床病理学数据.
- 数据分为培训 (80%),测试 (20%) 和外部验证集.
- 使用最小绝对收缩和选择运算符 (LASSO) 回归的变量选择.
- 开发和比较六个ML算法,包括K-近邻 (KNN).
- 模型性能使用ROC曲线,PR曲线,DCA和SHapley添加式扩展 (SHAP) 来评估可解释性.
主要成果:
- 191名患者 (32.59%) 实现了tpCR.
- 确定了五个预测因素:瘤大小,Ki-67,分子亚型,向治疗和化疗方案.
- 该KNN模型表现出优异的性能,AUC为0.847 (训练),0.763 (测试) 和0.665 (外部验证).
- SHAP分析强调了向治疗是tpCR最重要的预测因子.
结论:
- 使用NAC前数据的可解释ML模型可以准确地预测LABC患者的tpCR.
- 开发的KNN模型为临床决策提供了有价值的工具.
- SHAP分析提高了模型透明度,并有助于优化LABC治疗的治疗方法.
