开发和验证一个机器学习模型,用于胃胃肠道瘤的手术前风险
Shi-Qi Liang1, Yu-Tong Cui1, Guang-Bing Hu1
1Department of Gastroenterology, Affiliated Hospital of North Sichuan Medical College, Nanchong, Sichuan, China.
概括
机器学习模型可以预测胃肠道瘤 (gGISTs) 的恶性潜力. 关键预测因素包括内镜超声波特征,瘤大小和单细胞与淋巴细胞的比例,有助于个性化治疗决策.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 胃肠病学 胃肠病学
背景情况:
- 胃GIST (gGIST) 具有恶性潜力,需要基于风险的治疗.
- 目前的手术前评估缺乏针对gGISTs的具体协议.
- 准确的风险分层对于最佳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,用于手术前预测gGIST恶性瘤.
- 确定与高风险gGISTs相关的关键临床和成像特征.
- 为了增强gGIST患者个性化的治疗决策.
主要方法:
- 使用最小绝对收缩和选择操作员 (LASSO) 和物流回归来进行特征选择.
- 开发并验证了一组ML模型,包括物流分类模型.
- 雇佣的夏普利添加式解释 (SHAP) 用于模型解释性和风险分析.
主要成果:
- 确定了EUS高风险特征,瘤边界清晰度,瘤直径和单细胞与淋巴细胞比率 (MLR) 作为重要的预测因素.
- 后勤分类模型实现了高预测准确性 (AUC 0.919培训,0.925测试).
- 决策曲线分析证实了开发模型的临床实用性.
结论:
- 高风险的EUS特征,定义不好的边缘,更大的直径和升高的MLR独立地预测了gGIST中恶性潜在的增加.
- 包含这些因素的验证后勤回归模型提供了可靠的风险评估.
- 用SHAP解释的模型可以为gGIST管理提供个性化的治疗策略.
