可解释的机器学习模型用于中国人口中缺少数据的数字肺癌预查

科学领域:

• 在瘤学瘤学.
• 人工智能的人工智能
• 公共卫生 公共卫生

背景情况:

• 肺癌仍然是全球癌症死亡的主要原因.
• 早期检测显著改善了患者的治疗结果和生存率.
• 目前的肺癌查方法存在局限性,特别是在资源有限的环境中.

研究的目的:

• 开发和验证一个可解释的人工智能模型用于肺癌数字预查.
• 使用电子健康记录 (EHR) 提高肺癌检测率.
• 为初级医疗保健创建一个具有成本效益和可访问的肺癌查工具.

主要方法:

• 开发一个叫BOUND的贝叶斯网络模型 (贝叶斯大规模肺癌网络数字预选).
• 使用了来自中国的综合EHR数据集,包括905,194个人.
• 采用贝叶斯网络不确定性推断来预测风险和识别高风险因素,包括缺失数据的表现.

主要成果:

• 在内部验证中实现了0.866的曲线下面积 (AUC).
• 外部验证的AUC为0.848 (基于时间) 和0.841 (基于地理位置).
• 在缺少10%-70%数据的数据集中,AUC从0.827到0.746不等,表现出强大的性能;检测率提高了6.8倍.

结论:

• BOUND是一种可解释,强大和有效的AI模型,用于肺癌数字预查.
• 该模型显示了强大的校准和临床实用性,特别是在处理缺失数据方面.
• BOUND提供了一种非辐射,具有成本效益的解决方案,以解决初级医疗保健中肺癌查不平等的问题.