一个基于放射学的可解释机器学习模型来预测膀癌中的HER2状态:一个多中心研究

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 机器学习 机器学习

背景情况:

• 膀癌 (BCa) 的诊断和治疗通常依赖于人类表皮生长因子受体2 (HER2) 状态.
• 准确的手术前预测HER2状态对于指导治疗策略至关重要.

研究的目的:

• 开发和验证基于放射学可解释的计算机断层扫描 (CT) 机器学习 (ML) 模型,用于BCa中HER2状态的术前预测.
• 评估各种ML模型在预测HER2状态方面的性能和可解释性.

主要方法:

• 对207名BCa患者的CT图像进行了回顾性分析.
• 使用LASSO回归的放射学特征的提取和选择.
• 使用AUC和精度开发和评估五种ML模型 (LR,SVM,KNN,XGBoost,RF).
• 使用沙普利添加式解释 (SHAP) 的解释性分析.

主要成果:

• 从1218个提取的特征中确定了11个歧视性放射性特征.
• 随机森林 (RF) 模型在测试组中实现了最高的AUC (0.815) 和精度 (75.5%).
• SHAP分析强调了纹理特征作为HER2状态的重要预测因素.

结论:

• 一个基于CT放射学的可解释ML模型可以以令人满意的性能在BCa中非侵入性地预测HER2状态.
• 开发的模型,特别是射频分类器,显示出强大的准确性和可解释性,支持其潜在的临床实用性.