一个可解释的机器学习模型,用于对质恶性瘤的术前预测
Zuheng Wang1,2, Xing He3, Hanyang Ou1,4
1Department of Urology, the First Affiliated Hospital of Guangxi Medical University, Guangxi Medical University, No. 22, Shuangyong Road, Qingxiu District, Nanning, 530021, Guangxi, China.
概括
这项研究开发了一种机器学习模型,以区分良性和恶性质. 渐变增强决策树模型显示出高准确度,有助于临床决策.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
背景情况:
- 质需要准确地区分良性和恶性类型,以便适当的患者管理.
- 机器学习 (ML) 在复杂的医疗场景中提供了提高诊断准确性的潜力.
研究的目的:
- 开发和验证使用ML算法进行预测模型,以区分良性和恶性质.
- 确定最有效的ML算法和关键预测特征用于质量分类.
主要方法:
- 分析了来自1084名质患者的数据,分为培训 (80%) 和验证 (20%) 队列.
- 开发和比较七个ML算法,选择渐变增强决策树 (GBDT) 作为表现最佳的模型.
- 评估使用接收器操作特征曲线 (AUC) 下的面积,准确度,灵敏度和特异性,用SHapley添加式解释 (SHAP) 评估特征重要性.
主要成果:
- 在验证队列中,GBDT模型实现了0.88的AUC,0.80的准确性,0.82的灵敏度和0.79的特异性.
- 关键预测变量包括质量特征 (囊/固体,直径) 和患者生物标志物 (尿酸,肌素清除率,白蛋白,胆红素比率).
- 质量的囊性/固体性质被确定为SHAP算法最有影响力的特征.
结论:
- 开发的GBDT模型在区分良性和恶性质群体方面表现出高的有效性.
- 这种ML方法为质诊断中的临床决策提供了重要的支持.
- 创建了一个公开可访问的网络应用程序,以帮助临床医生和患者.
