一种可解释的预测机器学习模型,用于基于多式数据的乳腺癌中带淋巴结转移:一项回顾性单中心研究

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 准确预测状淋巴结转移 (ALNM) 对乳腺癌的分期和治疗至关重要.
• 整合多式联络数据 (成像和病理学) 可以提高ALNM预测的准确性.

研究的目的:

• 开发和评估可解释的机器学习模型,用于预测乳腺癌中的ALNM.
• 评估这些模型在风险分层和诊断方面的临床实用性.

主要方法:

• 对401名乳腺癌患者进行了回顾性研究.
• 实施十种机器学习算法,包括天真贝叶斯,随机森林,物流回归和支持向量机器.
• 应用夏普利添加式解释 (SHAP) 来实现模型的解释性.

主要成果:

• 纯粹的贝叶斯分类器实现了最高的性能.
• 验证队列实现了接收器运行特征曲线 (AUC) 下的面积为0.902.
• 关键的预测特征包括淋巴结帕伦基马厚度,淋巴结扩大和瘤宽度.

结论:

• 天真贝叶斯模型提供了对ALNM的强大和可解释的预测.
• 这种可解释的工具对于风险分层和个性化治疗策略具有临床价值.