瘤位置对预测早期乳腺癌患者存活率的影响使用可解释的机器学习模型

科学领域:

• 在瘤学瘤学.
• 机器学习 机器学习
• 生物统计学 生物统计学

背景情况:

• 预测乳腺癌早期生存率对于治疗计划至关重要.
• 可解释的机器学习 (ML) 模型为增强的预后见解提供了潜力.
• 了解特征在生存预测中的重要性可以完善临床决策.

研究的目的:

• 研究瘤象限位置对5年早期乳腺癌存活率预测的影响.
• 使用可解释的ML模型,包括Shapley添加式解释 (SHAP),用于特征重要性分析.
• 确定影响乳腺癌早期患者结果的重要因素.

主要方法:

• 在401名乳腺癌早期患者的数据上训练了6个ML模型 (Xtreme梯度提升,随机森林,后勤回归,决策树,支持矢量机,AdaBoost).
• 评估模型使用性能指标,如AUC-ROC和AUC-PR.
• 使用特征重要性,系数效应大小和SHAP值用于模型解释,重点关注瘤象限变量.

主要成果:

• 极端梯度增强模型实现了卓越的性能,AUC-ROC为0.98和AUC-PR为0.97.
• 瘤象限位置,特别是上部外部和各种部位,成为乳腺癌存活率的首要预测特征.
• SHAP分析证实了瘤位置对生存结果的显著影响.

结论:

• 可解释的ML模型有效预测乳腺癌早期5年生存率.
• 瘤象限位置被确定为乳腺癌的独立预后因素.
• SHAP值解释为临床医生提供可操作的见解,以改进治疗方案并提高患者的治疗结果.