在初级肺腺癌中使用机器学习对STAS风险的术前预测:使用SHAP分析的可解释模型
Ping Wang1, Jianing Cui1, Haoyuan Du2
1Department of Radiology, Beijing Jishuitan Hospital, Capital Medical University, Beijing 100035, China (P.W., J.C., Z.Q., H.Z., H.Z., W.Y., R.B.).
Academic radiology
|March 27, 2025
概括
一个新的机器学习模型使用CT扫描和患者数据准确地预测肺腺癌通过空气空间 (STAS) 的传播. 这种工具有助于外科医生为肺癌患者规划个性化治疗.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 数据科学数据科学数据科学
背景情况:
- 通过空气空间传播 (STAS) 的准确手术前预测对于优化手术策略和初级肺腺癌 (LUAD) 患者的结果至关重要.
- 目前用于在手术前预测STAS的方法有限,需要先进的预测工具.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于预测初级LUAD中的STAS.
- 为了提高ML模型的可解释性,使用Shapley添加式解释 (SHAP) 分析.
- 整合手术前CT成像功能和临床病理学数据,以进行可靠的STAS预测.
主要方法:
- 一项多中心回顾性研究,涉及1237名病理确诊的初级LUAD患者.
- 使用Boruta和最小绝对收缩和选择操作员 (LASSO) 回归的特征选择.
- 开发和评估七个ML模型,包括极端梯度提升 (XGB),通过F1得分,回忆,精度,特异性,灵敏度和AUC来评估性能.
主要成果:
- 该XGB模型显示了高预测性能,AUC为0.973 (训练),0.862 (内部验证) 和0.842/0.810 (外部验证).
- SHAP分析确定了关键预测因素:结节类型,癌胚抗原,最大结节直径和分片标志.
- 后勤回归证实了这些特征是STAS的独立风险因素.
结论:
- 基于XGB的ML模型为在LUAD中进行术前STAS预测提供了高精度和可解释性.
- 该模型为手术前风险分层提供了一个实用的工具.
- 广泛使用的临床和成像数据的整合支持在LUAD管理中个性化手术规划.
