可解释的机器学习用于预测结直肠癌的肺转移

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 肺转移的结肠直肠癌 (CRC) 预后不佳,需要有效的查和诊断模型.
• 在新诊断的CRC中早期识别肺转移风险对于患者的治疗结果至关重要.

研究的目的:

• 构建和验证一种机器学习 (ML) 预测模型,用于评估新诊断的结直肠癌 (CRC) 肺转移风险.
• 为了利用Shapley添加式解释 (SHAP) 来实现模型的解释性,并开发一个实用的临床工具.

主要方法:

• 使用监测,流行病学和最终结果 (SEER) 数据库开发了七个ML算法 (39674名CRC患者,2010-2015年).
• 使用SHAP.选择和可视化表现最佳的算法.
• 模型的外部验证使用来自中国医院的数据.

主要成果:

• 随机森林 (RF) 算法在内部测试集中实现了最高的预测性能 (AUC 0.980,AUPR 0.941).
• 射频模型在外部验证数据集上表现出色.
• 基于验证的射频模型开发了一个开放的网络计算器.

结论:

• 开发的随机森林 (RF) 模型准确预测了结直肠癌 (CRC) 患者的肺转移风险.
• 这种工具可以帮助临床医生为CRC患者制定个性化治疗计划.
• 网络计算器为临床环境中的风险评估提供了实际应用.