通过可解释机器学习预先预测肝脏内胆管癌的教科书结果:一个多中心队列研究

科学领域:

• 肝胆道手术 肝胆道手术
• 手术瘤学手术瘤学
• 机器学习在医学中的应用

背景情况:

• 肝脏内胆管癌 (ICC) 在预测患者的结果方面存在挑战.
• 确定手术前的因素对于优化治疗策略至关重要.
• 可解释机器学习为准确的结果预测提供了潜力.

研究的目的:

• 在ICC患者中确定影响教科书结果 (TO) 的术前因素.
• 开发和验证可解释的机器学习模型,用于预测TO.
• 为了提高对预测驱动器的理解,使用SHapley添加式扩展 (SHAP).

主要方法:

• 对来自中国医疗机构的376名ICC患者 (2011-2017) 的回顾性分析.
• 后勤回归用于识别TO的显著手术前预测因素.
• 开发一个极端梯度提升 (XGBoost) 模型用于预测.
• 应用SHAP用于模型解释性和可变贡献可视化.
• 卡普兰-梅尔生存分析用于预后比较.

主要成果:

• 手术前的TO预测因素包括Child-Pugh分类,ECOG分数,乙型肝炎状态和瘤大小.
• XGBoost模型实现了高预测准确性:AUC为0.8825 (内部验证) 和0.8346 (外部验证).
• 实现TO的患者在1,2,3年内显著提高了无病生存率.

结论:

• 儿童-皮格分类,ECOG评分,乙型肝炎和瘤大小是ICC中TO的显著手术前预测因素.
• 开发的机器学习模型在术前预测TO方面表现出有效性.
• SHAP分析为模型的决策过程提供了有价值的见解,提高了可解释性.