可解释机器学习算法的应用,用于预测皮肤恶性黑色素瘤的淋巴结转移

科学领域:

• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 机器学习 机器学习

背景情况:

• 皮肤恶性黑色素瘤 (CMM) 是一种致命的皮肤癌.
• 精确预测淋巴结转移对于患者的治疗结果至关重要.
• 之前没有研究使用可解释的机器学习来预测CMM转移.

研究的目的:

• 开发可解释的机器学习模型,用于预测CMM中的淋巴结转移.
• 整合来自SEER数据库的临床,病理和生物标记数据.
• 为个性化CMM治疗确定转移的关键预测因子.

主要方法:

• 使用来自2,448名CMM患者的数据构建了6个机器学习模型.
• 模型包括随机森林 (RF),XGBoost和其他.
• 用SHAP分析来获得可解释的见解和识别乳酸脱酶 (LDH) 等影响因素.

主要成果:

• 射频模型实现了最高的性能 (AUC:0.897,精度:0.821).
• 确定的主要预测因素是T阶段,化疗,,预治疗LDH和放射治疗.
• SHAP分析证实了LDH作为预测生物标志物的关键作用.

结论:

• 成功建立了一个准确的机器学习模型,用于CMM淋巴结转移的预测.
• 这些发现为CMM治疗的临床决策提供了宝贵的参考.
• 可解释机器学习为了解和预测癌症转移提供了一个强大的工具.