通过深度学习预测胃癌的生存率:使用LIME和SHAP揭示模型决策

科学领域:

• 在瘤学瘤学.
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 胃癌是一个重大的全球健康挑战,需要先进的预后工具.
• 准确的生存预测对于有效的患者管理和治疗规划至关重要.

研究的目的:

• 开发一种直观的深度学习模型,用于预测胃癌患者的生存概率.
• 使用外部数据验证模型,并通过SHAP和LIME增强其治疗相关性和可靠性.

主要方法:

• 使用多层感知器的深度学习生存模型在1350例胃癌病例中接受了训练.
• 该模型结合了Adam优化器和学规范化,并对388名患者进行了外部验证.
• 为了模型的可解释性,使用了SHAP (夏普利添加式解释) 和LIME (局部可解释的模型不可知解释).

主要成果:

• SHAP和LIME有效地阐明了预后因素 (如年龄,阶段和社会经济地位) 之间的复杂相互作用.
• 该模型在数据集中表现出良好的概括性,在各种评估指标中表现强.
• 确定了影响生存结果的关键因素,增强了模型的预测能力.

结论:

• 这项研究强调了可解释的AI模型对胃癌预后的有用性,提供了针对患者的生存预测.
• 像SHAP和LIME这样的技术促进了临床医生的信任,并促进了个性化的治疗建议.
• 这种方法促进了人工智能在临床瘤学中的整合,以改善患者护理.