基于超声波的机器学习和夏普利添加式扩展方法评估胆囊癌风险:二心和验证研究

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 胆囊癌 (GBC) 是一个重大的健康挑战.
• 准确的风险评估对于早期检测和干预至关重要.
• 整合不同的数据源可以提高预测准确性.

研究的目的:

• 构建和评估用于GBC风险预测的机器学习模型.
• 为了整合超声波成像,临床和血清学特征.
• 评估各种预测模型的性能和可解释性.

主要方法:

• 对369名疑似GBC患者的数据进行了回顾性分析.
• 使用最小绝对收缩和选择运算符 (LASSO) 回归的特征选择.
• 开发8个机器学习模型,包括XGBoost,并使用SHapley添加式解释 (SHAP) 进行解释.

主要成果:

• 拉索确定了关键预测因素:性别,年龄,ALP,肝脏界面清晰度,胆囊壁层分化和病变特征.
• 在XGBoost模型中,AUC值高 (0.934训练,0.916验证,0.813测试).
• SHAP分析强调了成像特征和ALP在GBC预测中的重要性,提高了模型的透明度.

结论:

• 一个基于XGBoost的机器学习模型有效地预测GBC风险.
• 超声波,临床和血清学数据的整合改善了预测.
• SHAP分析为开发的GBC风险模型提供了关键的解释性.