可解释的机器学习与已知的诺米图,用于预测乳腺癌患者的非哨兵淋巴结转移:一项比较研究
Asieh Sadat Fattahi1, Maryam Hoseini2, Toktam Dehghani3
1Department of Surgery, Faculty of Medicine, Endoscopic and Minimally Invasive Research Center, Mashhad University of Medical Sciences, Mashhad, Iran.
Computers in biology and medicine
|November 17, 2024
概括
机器学习模型,特别是随机森林,在预测伊朗乳腺癌患者的非哨兵淋巴结转移方面显示出更高的准确性,而不是MSKCC的诺米图. 这增强了个性化的治疗策略.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 人工智能在医学中的应用
背景情况:
- 轴心淋巴结解剖 (ALND) 是乳腺癌与阳性哨兵淋巴结 (SLN) 的标准.
- 预测非哨兵淋巴结 (NSLN) 转移是具有挑战性的,导致ALND.潜在的过度治疗.
- 该MSKCC nomogram 助力预测,但需要在伊朗乳腺癌患者等不同人群中进行验证.
研究的目的:
- 为了比较MSKCC名录的预测性能与NSLN转移的各种机器学习 (ML) 模型.
- 评估可解释的人工智能 (XAI) 在识别NSLN转移的关键预测因素中的实用性.
- 评估这些预后工具在伊朗乳腺癌患者中的适用性.
主要方法:
- 使用183名伊朗乳腺癌患者的数据集对MSKCC名录和ML模型 (随机森林,物流回归) 的比较分析.
- 利用了16个临床特征,并采用了可解释的人工智能 (XAI) 方法,包括SHAP值,用于模型解释性.
- 进行了严格的统计评估,包括ML模型的培训和验证.
主要成果:
- 随机森林 (RF) 模型的准确性 (72.2%) 和AUC (0.77) 比MSKCC名录 (AUC 0.73) 更高.
- 后勤回归 (LR) 也显示出具有竞争力的表现 (精度65%,AUC 0.73).
- 射频模型表现出高灵敏度 (75%) 和精度 (73%),确定管道癌 in situ (DCIS) 和瘤特征作为关键预测因素. XAI提供了功能重要性见解.
结论:
- 机器学习模型,特别是随机森林模型,在伊朗乳腺癌患者中提供了优越的NSLN转移预测,而不是MSKCC名谱.
- 研究结果支持针对不同人群开发量身定制的预后工具,以指导个性化治疗决策.
- 这项研究可以提高伊朗医疗保健系统中乳腺癌管理的准确性和有效性.
