开发和验证可解释的机器学习模型,用于预测慢性乙型肝炎患者肝细胞癌的风险:一项病例对照研究

科学领域:

• 肝病学 肝病学是一种肝病学.
• 机器学习 机器学习
• 在瘤学瘤学.

背景情况:

• 慢性乙型肝炎 (CHB) 感染是肝细胞癌 (HCC) 的重要危险因素.
• 准确预测CHB患者的HCC风险对于及时干预和改善结果至关重要.

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CHB患者的HCC风险.
• 确定有助于HCC风险预测的关键临床和实验室参数.

主要方法:

• 从516名CHB患者 (361名培训,155名验证) 进行了临床数据的回顾性收集.
• 开发五个ML模型 (LR,KNN,SVM,RF,ANN) 并使用LASSO和后勤回归进行特征选择.
• 使用ROC曲线,校准曲线和决策曲线分析 (DCA) 评估模型性能. 为了解释性,使用了夏普利添加物扩张 (SHAP).

主要成果:

• 随机森林 (RF) 模型在训练 (AUC:0.996) 和验证 (AUC:0.993) 集合中表现出最高的预测性能.
• 通过SHAP分析确定的关键预测因素包括年龄,基/淋巴细胞比率 (BLR),D-Dimer,AST/ALT比率,GGT和AFP.
• 射频模型通过DCA证明了良好的校准和临床实用性,优于一般风险分层.

结论:

• 机器学习模型,特别是射频模型,是预测CHB患者中HCC风险的有效工具.
• 开发的射频模型有助于临床医生识别早期干预的高风险个体,可能减少HCC发病率.
• 建议使用更大的样本大小进行进一步验证,以提高模型的通用性.