基于身体组成和炎症营养指数 (BCINI) 的可解释机器学习模型,用于预测结直肠癌的早期术后复发:多中心研究
Yongjie Zhou1, Jinhong Zhao2, Fei Zou1
1Department of Radiology, Jiangxi Cancer Hospital & Institute, Jiangxi Clinical Research Center for Cancer, The Second Affiliated Hospital of Nanchang Medical College, Nanchang, China.
Computer methods and programs in biomedicine
|June 5, 2025
概括
使用身体组成和炎症营养指数的机器学习模型可以预测结直肠癌 (CRC) 的早期复发. 这种可解释的方法有助于为更好的患者结果做出临床决策.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 放射学 放射学是一门学科.
背景情况:
- 结肠直肠癌 (CRC) 是全球癌症死亡的主要原因.
- 早期术后复发 (ER) 显著影响CRC患者的存活率.
- 身体组成和炎症营养指数 (BCINI) 在CRC中对ER的预测作用尚未得到充分证实.
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CRC切除后的ER.
- 评估BCINI在预测ER的有效性.
- 加强临床决策,以便在CRC患者中进行早期干预.
主要方法:
- 从三家医院收集了基于CT的身体组成和血液测试数据.
- 开发并比较了六个ML算法 (XGBoost,CNB,SVM,KNN,RF,GNB) 用于ER预测.
- 通过使用外部数据集,校准曲线,决策曲线分析和SHapley添加式扩展来验证最佳模型的可解释性.
主要成果:
- XGBoost模型表现出优异的性能,AUC为0.837 (训练) 和0.777 (验证).
- 外部验证证实了AUC值为0.783和0.773.3的概括性.
- 该模型在不同年龄和瘤位置子组中显示出一致的预测准确性.
结论:
- 基于BCINI的可解释的ML模型有效地预测了CRC患者的ER.
- 这种预测工具为临床实践提供了宝贵的见解.
- 可以促进早期检测和干预,从而有可能改善患者的治疗结果.
