基于可解释机器学习的细胞癌远程转移的预测:一个多中心的回顾性研究

科学领域:

• 在瘤学瘤学.
• 机器学习 机器学习
• 医疗信息学 医疗信息学

背景情况:

• 预测细胞癌 (RCC) 远程转移的传统方法是不够的.
• 准确预测转移对于有效的RCC患者管理至关重要.

研究的目的:

• 开发一种可解释的机器学习模型,用于预测RCC患者的远程转移.
• 改善风险分层,指导RCC的治疗策略.

主要方法:

• 从SEER数据库中使用了121,433名RCC患者的大型基于人口的队列.
• 使用光GBM算法构建预测模型,使用AUC,精度,灵敏度和特异性进行评估.
• 为了模型的可解释性,应用了沙普利增量解释 (SHAP) 方法.

主要成果:

• 轻GBM模型在内部 (AUC:0.955) 和外部验证 (AUC:0.963) 均表现出高性能.
• 模型的表现在各个患者子组中保持了强的表现,根据年龄,性别和种族分层.
• 根据SHAP分析,化疗成为远程转移最重要的预测因素.

结论:

• 成功开发了一种可解释的机器学习模型,用于预测RCC的远程转移.
• 该模型为识别高风险RCC患者提供了有价值的工具,这些患者可能会受益于加强治疗和更密切的监测.