可解释的机器学习模型用于区分质母细胞瘤与单独的大脑转移,使用放射学
Xueming Xia1, Wenjun Wu2, Qiaoyue Tan3
1Division of Head & Neck Tumor Multimodality Treatment, Cancer Center, West China Hospital, Sichuan University, Chengdu, China (X.X., Q.G.).
Academic radiology
|May 28, 2025
概括
使用MRI放射学特征的机器学习模型有效地区分质母细胞瘤与大脑转移. 高级特征显著提高了模型准确性,梯度增强模型显示出卓越的性能和可解释性.
科学领域:
- 放射学 放射学是一门学科.
- 机器学习 机器学习
- 在瘤学瘤学.
背景情况:
- 区分质母细胞瘤 (GB) 和单独脑转移 (SBM) 对于治疗规划至关重要.
- 准确的诊断会影响患者的预后和治疗策略.
研究的目的:
- 开发和验证可解释的机器学习模型,以使用对比度增强的T1加权MRI (CE-T1WI) 的放射学特征来区分GB和SBM.
- 为了比较低级与高级放射性特征对模型性能和可解释性的影响.
主要方法:
- 对434名经遗传学确认的GB或SBM患者的回顾性分析.
- 从CE-T1WI中提取放射性特征,然后使用最小冗余,最大相关性和最小绝对收缩以及选择操作员回归进行特征选择.
- 使用低级和高级特征的机器学习模型 (GradientBoost,lightGBm) 的训练和验证,其性能由AUC,精度,灵敏度和特异性评估.
- 对于模型可解释性的SHapley添加式解释 (SHAP) 分析.
主要成果:
- 机器学习模型,特别是轻GBm和GradientBoost,表现出强大的区分能力,AUC超过0.9.
- 轻GBm模型显示出出色的稳定性和通用性.
- 在验证组中,GradientBoost获得了最高的AUC (0.927),而lightGBm显示了最高的测试准确度 (86.2%).
- 使用高阶特征的模型在所有指标上始终优于使用低阶特征的模型.
- SHAP分析提供了对特征重要性和分类贡献的见解.
结论:
- 基于辐射学的机器学习模型,特别是基于树的梯度增强方法,如lightGBm,可以有效地区分GB和SBM.
- 高级放射性特征显著提高模型的准确性和稳定性.
- SHAP分析提高了这些模型用于脑瘤分类的可解释性和透明度.
