构建和解释重量平衡增强型机器学习模型,用于预测结直肠癌患者肝转移风险

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 大肠直肠癌 (CRC) 是癌症死亡的主要原因.
• 肝转移显著恶化了CRC患者的预后.
• 预测肝转移对于及时干预至关重要.

研究的目的:

• 开发和评估机器学习 (ML) 模型,以预测CRC患者的肝转移.
• 协助临床决策,以实现最佳的患者管理.
• 确定肝癌中肝转移的关键预测因素.

主要方法:

• 从SEER数据库 (2010-2015) 中对CRC案件进行了回顾性分析.
• 六个ML模型的开发和比较:LR,RF,GBM,XGBoost,CatBoost,LightGBM. 这六个ML模型的开发和比较.
• 使用权重平衡算法和十倍交叉验证的模型优化.
• 使用2018-2021年队列进行模型解释性和外部验证的SHAP分析.

主要成果:

• CatBoost 模型表现出优异的性能 (AUC 0.8844,回忆 0.8060,F1 评分 0.6736).
• 确定了关键预测因素:癌胚抗原 (CEA) 升高,全身疗法,N和T阶段以及化疗.
• 系统治疗增加了N0阶段的风险,但对淋巴结转移有益.
• 手术前的放射治疗比术后更有效.

结论:

• 升高的CEA是CRC肝转移的关键预测指标.
• 淋巴结阴性患者的全身治疗增加了转移风险.
• 术前的放射治疗比术后更有效地控制转移.
• 根据患者特征优化治疗策略至关重要.