机器学习预测肝脏内胆管癌中的围神经侵入

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 手术瘤学手术瘤学

背景情况:

• 周围神经侵入 (PNI) 是肝内胆管癌 (ICC) 的关键预后因素,显著影响患者的复发率和生存率.
• 准确的手术前预测PNI对于有效的治疗计划和改善患者结果至关重要.

研究的目的:

• 开发和验证可解释的机器学习模型,用于在手术前预测ICC患者的PNI.
• 确定与ICC中PNI相关的关键临床和病理特征.

主要方法:

• 分析了250名ICC患者的回顾性队列,数据分为培训 (n=176) 和验证 (n=74) 组.
• 评估了四个机器学习算法,使用ROC曲线和决策曲线分析 (DCA) 评估性能.
• 为了特征重要性和模型可解释性,使用了夏普利添加式解释 (SHAP).

主要成果:

• 在PNI阴性和PNI阳性组之间观察到瘤大小,淋巴结转移和血清学标记 (CA199,HBsAg,PLR,NLR) 的显著差异.
• 在验证集中,XGBoost模型实现了最佳预测性能.
• SHAP分析强调瘤数量,瘤大小和淋巴结转移是PNI最有影响力的预测因素.

结论:

• 在ICC中开发了一个可靠和可解释的PNI预测模型.
• 该模型可以帮助ICC患者个性化临床决策.
• 术前PNI预测可以优化手术和辅助治疗策略.