用可解释的机器学习算法预测胰腺神经内分泌瘤中的肝转移:基于SEER的研究

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:

• 肝转移是胰腺神经内分泌瘤 (PaNETs) 的常见并发症.
• 转移严重影响患者的预后和治疗决策.
• 准确预测肝转移对于个性化患者管理至关重要.

研究的目的:

• 开发和验证用于预测PaNETs患者肝转移的机器学习算法.
• 为了确定与肝转移相关的独立风险因素.
• 为个性化治疗创建一个临床决策支持工具.

主要方法:

• 利用了来自监测,流行病学和最终结果 (SEER) 数据库 (2010-2021) 的数据.
• 使用Boruta和LASSO进行特征选择,确定T阶段,N阶段,瘤大小,等级,手术,淋巴切除术,化疗和骨转移作为风险因素.
• 开发并比较了10个机器学习模型,其中梯度增强机 (GBM) 显示出卓越的性能.

主要成果:

• GBM模型实现了0.937的AUC和0.87.8的准确性.
• 决策曲线分析和校准曲线证实了GBM模型的临床实用性和预测准确性.
• 莎普利添加式扩展 (SHAP) 确定了手术,N阶段和T阶段作为主要预测因素.

结论:

• GBM模型在预测PaNETs中的肝转移方面表现出很高的性能.
• 基于GBM算法开发的基于Web的计算器为临床决策提供了有价值的工具.
• 这种预测模型支持PaNET患者个性化医疗策略的开发.