基于放射学分类的清细胞细胞癌ISUP等级:一个机器学习方法与SHAP增强可解释性

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 机器学习 机器学习

背景情况:

• 清细胞细胞癌 (ccRCC) 是最常见的癌亚型.
• 预后与国际泌尿病学学会 (ISUP) 级别相关.
• 放射学提供了非侵入性分类潜力,补充了他的病理学.

研究的目的:

• 开发和解释基于放射学的机器学习模型,用于ccRCC ISUP等级分类.
• 使用查相 CT 图像进行自动分级.
• 通过SHAP值来提高模型的透明度,以提高临床可解释性.

主要方法:

• 对109名ccRCC患者的回顾性分析.
• 从CT扫描中提取和选择放射性特征的特征.
• 训练后勤回归,SVM和随机森林模型与交叉验证;SHAP值计算.

主要成果:

• 后勤回归模型实现了82%的准确性和0.86 AUC.
• SHAP分析强调主要轴的长度,繁忙度和大面积的重视是关键特征.
• 确定了形状和纹理特征,这些特征对于区分高和低ISUP等级至关重要.

结论:

• 光学阶段CT放射学能够准确,非侵入性地对ccRCC进行ISUP分级.
• SHAP值提高了模型的可解释性,以便在临床采用.
• 集成到精密瘤学工作流程中的潜力.