基于机器学习和SHAP解释器的前列腺癌治疗建议研究.

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 生物统计学 生物统计学

背景情况:

• 前列腺癌治疗决策需要准确的预测模型.
• 现有的模型可能缺乏透明度或全面验证.

研究的目的:

• 开发和验证用于预测前列腺癌治疗选择 (手术与非手术) 的机器学习模型.
• 确定影响治疗预测的关键因素.
• 为了比较不同治疗方式之间的生存率.

主要方法:

• 利用来自监测,流行病学和最终结果 (SEER) 数据库的140,294例前列腺癌病例的数据.
• 应用了10个机器学习算法,使用AUC,精度,灵敏度和特异性来评估性能.
• 采用沙普利添加剂解释 (SHAP) 进行因子重要性和生存分析以进行结果比较.

主要成果:

• CatBoost模型获得了最高的性能 (AUC=0.939,精度=0.877).
• 关键预测因素包括T阶段,癌症阶段,年龄,核心阳性百分比,前列腺特异性抗原 (PSA) 和格里森得分.
• 与非手术治疗相比,手术提高了20.36%的10年生存率;急性前列腺切除显示了最高的10年生存率 (89.2%).

结论:

• 开发了一个强大的,透明的预测模型,以帮助前列腺癌治疗决策.
• 确定了个性化治疗规划的关键因素.
• 证明了手术干预,特别是彻底前列腺切除术的生存益处.