一个在线可解释的整体机器学习模型,用于预测肺腺癌中的表皮生长因子受体突变状态

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 机器学习 机器学习

背景情况:

• 精确的表皮生长因子受体 (EGFR) 突变状态的确定对于指导使用EGFR-tyrosine kinase抑制剂 (EGFR-TKI) 治疗肺腺癌至关重要.
• 目前用于确定EGFR突变状态的方法可能具有侵入性,因此需要开发非侵入性预测方法.

研究的目的:

• 开发和验证在线整体机器学习 (EML) 模型,用于预测肺腺癌中的EGFR突变状态.
• 与单个机器学习 (ML) 和深度学习 (DL) 模型相比,评估EML模型的性能.

主要方法:

• 通过整合五个ML模型 (RF,LR,SVM,LightGBM,XGBoost) 和基于CT的DL模型,开发了一个EML模型.
• 这些模型经过训练,并根据3个医疗中心823名肺腺癌患者的数据进行验证.
• 模型性能使用接收器操作特征曲线 (AUC) 下的面积进行评估,并使用SHapley添加式扩展 (SHAP) 解释.

主要成果:

• 该EML模型在培训队列中的AUC为0.928和验证队列中的AUC为0.813,表现优于单个模型.
• 决策曲线分析证实了EML模型的临床实用性,校准曲线表明了良好的协议.
• SHAP分析确定了关键的预测特征,包括DL得分,瘤直径和吸烟史,这为在线工具的开发提供了信息.

结论:

• 开发的EML模型提供了一种非侵入性和准确的方法,用于预测肺腺癌中的EGFR突变状态.
• 这种方法可以帮助临床医生选择针对性治疗的患者,从而有可能改善治疗结果.