使用临床和实验室参数开发和验证可解释的机器学习模型,用于预测费城染色体阳性急性淋巴细胞白血病:单中心回顾性研究:使用临床和实验室参数预测费城染色体阳性急性淋巴细胞白血病

科学领域:

• 血液学 血液学 血液学
• 在瘤学瘤学.
• 机器学习在医学中的应用

背景情况:

• 费城染色体阳性急性淋巴细胞白血病 (Ph+ALL) 是一种独特的亚型,需要准确及时诊断.
• 现有的诊断方法可能会从早期识别的增强预测工具中受益.

研究的目的:

• 开发和验证一个强大的预测模型,用于识别新诊断患者的Ph+ALL.
• 确定关键的临床和实验室参数,这些参数对于Ph+ALL预测至关重要.

主要方法:

• 对471名新诊断的急性淋巴细胞白血病 (ALL) 患者的回顾性分析.
• 使用BorutaShap进行特征选择,并使用机器学习 (ML) 和主动学习 (AL) 算法进行模型构建.
• 通过曲线下的面积 (AUC),综合指标和使用夏普利增量解释 (SHAP) 的可解释性分析进行绩效评估.

主要成果:

• 与主动学习算法 (CatBoost-AL) 集成的CatBoost模型显示出优异的预测性能 (AUC 0.797).
• 外部验证证实了该模型的稳定性,AUC为0.794.
• 确定的主要预测因子包括年龄,单细胞计数,γ-glutamyl转移酶,中性粒细胞计数和氨酸转移酶.

结论:

• 一个可解释的ML模型和在线预测工具已成功开发用于Ph+ALL诊断.
• 识别的关键参数增强了对Ph+ALL特征的理解,有助于准确的诊断和治疗策略.