可解释的机器学习模型用于预测肝切除术后肝功能衰竭在肝细胞癌
Tianzhi Tang1, Tianyu Guo2, Bo Zhu3
1Department of Hepatobiliary and Pancreatic Surgery, Cancer Hospital of China Medical University/Liaoning Cancer Hospital & Institute, Shenyang, Liaoning Province, People's Republic of China.
Scientific reports
|May 2, 2025
概括
一个新的机器学习模型准确地预测肝切除术后肝衰竭 (PHLF) 在肝癌患者. 使用总胆红素,MELD得分和ICG-R15的XGBoost模型提供了可靠的手术前风险评估.
科学领域:
- 肝胆道手术是肝胆道的手术.
- 机器学习在医学中的应用
- 在瘤学瘤学.
背景情况:
- 肝切除术后肝衰竭 (PHLF) 是肝脏手术后的一个关键并发症.
- 准确预测PHLF对于患者管理和手术规划至关重要.
研究的目的:
- 开发和验证可解释的机器学习 (ML) 模型,用于预测肝细胞癌 (HCC) 患者的PHLF.
- 使用先进的ML技术识别PHLF的关键预测因素.
主要方法:
- 招募了312名接受肝切除术的HCC患者,对30%的样本进行了内部验证.
- 使用最小绝对收缩和选择操作员回归,随机森林和递归特征消除 (RF-RFE) 进行变量选择.
- 评估了12个ML算法,使用SHapley添加式扩展 (SHAP) 来解释最佳模型 (XGBoost).
- 对62名患者进行了独立的前性验证.
主要成果:
- 在12个ML模型中,XGBoost模型实现了高预测准确性 (AUC为0.983训练,0.981验证).
- 校准曲线和决策曲线分析 (DCA) 证实了临床适用性.
- 预期验证 (AUC = 0.942) 显示出强烈的概括性.
- 在SHAP分析中,确定了总胆红素 (TBIL),MELD得分和ICG-R15作为关键预测因素.
结论:
- 可解释的XGBoost模型准确地预测了可切除的HCC患者的PHLF.
- 这种ML方法在预测性能方面超过了传统模型.
- 确定了关键变量,可以指导术前风险分层和临床决策.
