开发和验证一种可解释的机器学习模型,用于预测口腔舌状细胞癌早期隐性淋巴结转移的多中心研究

科学领域:

• 在瘤学瘤学.
• 机器学习 机器学习
• 医疗信息学 医疗信息学

背景情况:

• 早期口腔舌状细胞癌 (OTSCC) 具有隐性淋巴结转移 (OLNM) 的高风险.
• 目前的标准实践选择性部剖析临床节点阴性 (cT1-2 N0) OTSCC可能会导致过度治疗.
• 准确预测OLNM对于个性化治疗策略至关重要.

研究的目的:

• 开发和验证一个可解释的机器学习 (ML) 模型,用于预测OTSCC早期的OLNM.
• 确定OLNM的关键临床病理预测因素.
• 为临床决策提供可靠和可解释的工具.

主要方法:

• 利用了来自多个中心678名早期OTSCC患者的临床病理学数据.
• 采用多变量逻辑回归和拉索回归来选择特征,确定了9个独立的预测因素.
• 开发和评估了6个ML算法,包括随机森林 (RF),使用AUC,校准曲线和决策曲线分析 (DCA) 等指标.
• 应用沙普利增量解释 (SHAP) 来实现模型的可解释性.

主要成果:

• 随机森林 (RF) 模型表现出高预测准确度,AUC为0.941 (内部验证) 和0.917 (外部验证).
• 该模型确定了9个独立的临床病理变量作为OLNM的显著预测因素.
• 在预测性能方面,射频模型超过了传统方法,如入侵深度 (DOI) 和瘤芽 (TB).
• 对于RF模型的在线平台可供临床使用.

结论:

• 使用9个易于获得的临床病理特征的可解释的射频模型有效地预测了OTSCC早期的OLNM.
• 该模型为传统的机器学习模型提供了一个实用,可靠和可解释的替代方案,解决了"黑子"问题.
• 开发的工具有助于优化治疗决策,并可能减少OTSCC患者的过度治疗.