可解释的机器学习模型用于预测乳腺癌中的内部乳腺节转移:多方法开发和跨队列验证

科学领域:

• 在瘤学瘤学.
• 机器学习 机器学习
• 生物统计学 生物统计学

背景情况:

• 乳腺癌的诊断和分期对于治疗至关重要.
• 内部乳腺淋巴结转移 (IMNM) 是一个重要的预后因素.
• 准确的IMNM基线评估对于个性化治疗策略至关重要.

研究的目的:

• 开发和验证一种可解释的机器学习模型,用于预测乳腺癌患者的基线IMNM.
• 确定与IMNM相关的关键临床特征.
• 为早期风险分层提供一个实用的工具.

主要方法:

• 利用三个队列进行模型开发和验证 (导出,内部测试,SEER).
• 采用各种机器学习技术,包括LASSO,Boruta和SVM用于特征选择和模型构建.
• 应用沙普利增量解释 (SHAP) 对于模型的可解释性.

主要成果:

• 使用六个临床特征 (N阶段,大小,阶段,分类,等级,位置) 的预测模型显示出强大的性能 (AUC范围从0.806到0.864).
• 通过模型识别的高风险患者在无病生存期 (DFS) 和整体生存期 (OS) 中表现明显差.
• 创建了一个基于SHAP的解释的在线预测工具.

结论:

• 开发的机器学习模型得到了验证,并且可以解释.
• 它是IMNM早期风险分层的实际工具.
• 帮助临床医生选择适当的基线成像和计划辅助治疗.