使用可解释机器学习模型预测胆囊息肉患者的新发性息肉:回顾性队列研究

科学领域:

• 胃肠病学和肝病学
• 医疗信息学 医疗信息学
• 在瘤学瘤学.

背景情况:

• 胆囊聚体 (GBPs) 是常见的,其中的一个子集具有恶性转变的风险.
• 准确区分良性和瘤性GBP对于适当的管理至关重要.
• 新生性GBP需要及时干预,以防止进展为胆囊癌.

研究的目的:

• 开发和验证可解释的机器学习 (ML) 模型,用于预测瘤GBP.
• 确定预测GBP瘤转变的关键特征.
• 为了提高模型的透明度和临床实用性,使用Shapley添加式解释 (SHAP).

主要方法:

• 对924名经过胆囊切除术的GBP患者的回顾性分析.
• 使用患者特征,实验室结果,超声波和病理学数据.
• 开发和比较9个ML算法,评估性能与AUC和SHAP进行解释性.

主要成果:

• K-最近的邻居,C5.0决策树和梯度增强机器模型表现出优越的预测性能.
• 通过SHAP方法确定了关键预测因素,其中聚大小是最重要的.
• 病变≥18mm被强调需要加强临床监测和及时干预.

结论:

• 可解释的ML模型可以准确预测瘤性GBP.
• 这些模型有助于 GBP 患者的治疗规划和资源分配.
• 模型透明度建立了医生信任,促进了患者护理中的自信应用.