一种基于计算机断层扫描放射学的可解释机器学习模型,用于预测胃癌中编程死亡联结体1表达状态

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 编程死亡配体1 (PD-L1) 表达对于预测胃癌 (GC) 免疫治疗反应至关重要.
• 需要准确的手术前预测PD-L1状态,以便选择患者接受免疫治疗.

研究的目的:

• 开发和验证可解释的机器学习 (ML) 模型,使用对比增强计算机断层扫描 (CECT) 放射学来进行手术前预测GC患者PD-L1表达状态.
• 评估模型的性能和可解释性,使用夏普利添加式扩展 (SHAP).

主要方法:

• 来自两个中心的285名GC患者的回顾性分析.
• 从CECT静脉相图像中提取放射学特征.
• 使用11个ML算法开发预测模型,包括Light Gradient-Boosting Machine (LGBM) 和用曲线下的面积 (AUC) 进行评估.
• 在模型解释性方面应用SHAP.

主要成果:

• 在训练,验证和测试集中,LGBM模型在预测PD-L1高表达状态 (CPS ≥ 5) 中取得了高性能,AUC分别为0.841,0.834和0.822.
• 为最终模型选择了9个放射学特征.
• SHAP分析提供了关于特征重要性和个体预测决策的见解.

结论:

• 基于CT放射学的LGBM模型可以有效地预测GC患者的手术前PD-L1表达状态.
• SHAP方法提高了预测模型的可解释性,有助于临床应用.