使用机器学习模型预测Paragangliomas和Pheochromocytomas中的转移:可解释性挑战
Carmen García-Barceló1, David Gil1, David Tomás1
1University Institute for Computer Research, University of Alicante, Carretera San Vicente del Raspeig s/n, 03690 San Vicente del Raspeig, Spain.
Sensors (Basel, Switzerland)
|July 12, 2025
概括
预测转移性偏瘤和染细胞瘤是具有挑战性的. 这项研究引入了一种具有可解释性的机器学习方法,达到96.3%的准确性,以改善临床决策.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 计算生物学 计算生物学
背景情况:
- 帕拉格林瘤和叶染色细胞瘤是一个重大挑战,因为转移性疾病的高发病率 (高达20%) 和不可靠的预测.
- 许多机器学习模型的"黑子"性质阻碍了信任和临床采用,尽管它们有可能提高预测准确性.
研究的目的:
- 开发和验证集成数据挖掘和可解释性技术的机器学习架构,用于预测 paragangliomas 和 pheochromocytomas 中的转移性疾病.
- 通过了解驱动其预测的因素,增强对预测模型的信任,促进临床整合.
主要方法:
- 实施了一个全面的数据预处理管道.
- 应用了各种分类算法,重点是解释它们的输出.
- 解释性技术和特征选择被整合起来,以确定关键的预测变量并评估它们对模型性能的影响.
主要成果:
- 随机森林算法表现出卓越的性能,达到96.3%的准确性,96.5%的精度,AUC为0.963.
- 该研究成功地确定了影响转移性疾病预测的关键变量.
- 综合解释性为模型的决策过程提供了洞察力.
结论:
- 拟议的机器学习架构有效地预测了高精度的超结瘤和染细胞瘤的转移性疾病.
- 将预测性能与模型可解释性相结合,促进了信任,并支持将这些工具集成到临床实践中.
- 这种方法为改善患者管理和改善这些罕见瘤的结果提供了一个有希望的途径.
更多相关视频
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.3K
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
200
