可解释的机器学习用于预测细胞癌患者的远程转移:基于人口的回顾性研究
Zhao Hou1,2, Peipei Wang1,3, Dingyang Lv1,4
1Department of Urology, The First Hospital of Shanxi Medical University, Taiyuan, Shanxi, China.
Frontiers in medicine
|August 13, 2025
概括
这项研究开发了一种极端梯度增强 (XGB) 模型,用于预测细胞癌 (RCC) 患者的远程转移. 该模型有助于早期风险评估,以实现个性化治疗和改善结果.
科学领域:
- 在瘤学瘤学.
- 机器学习在医学中的应用
- 生物统计学 生物统计学
背景情况:
- 远程转移显著影响细胞癌 (RCC) 的预后.
- 早期预测转移对于量身定制的治疗策略和改善患者治疗结果至关重要.
- 这项研究的重点是创建和验证一个临床模型来预测RCC的远程转移.
研究的目的:
- 建立和验证细胞癌 (RCC) 患者远程转移的强大的临床预测模型.
- 利用机器学习进行准确的转移风险评估.
- 开发一个工具,以协助临床决策在RCC管理.
主要方法:
- 利用机器学习算法,包括极端梯度提升 (XGB),从SEER数据库中的大型数据集 (51,566名患者) 中用于模型开发.
- 外部验证模型使用726名RCC患者的数据.
- 通过网格搜索和十倍交叉验证优化超参数;使用AUC,AUPRC和校准曲线评估性能.
- 采用SHAP来实现模型解释性,并开发了一个基于Web的计算器.
主要成果:
- 在训练组中,XGB模型实现了高性能 (AUC:0.957,精度:0.898) 并显示出强大的外部验证 (AUC:0.742,精度:0.904).
- 确定了关键的独立风险因素,包括瘤大小,等级,T阶段,N阶段,放射治疗,化疗和手术.
- 基于验证的XGB模型创建了一个功能性的基于Web的计算器.
结论:
- 一个XGB模型已成功设计和验证,用于预测RCC患者的远程转移风险.
- 开发的模型和相关的计算器可以帮助临床医生为RCC患者的护理做出明智的决定.
- 这种方法为早期识别和管理细胞癌转移提供了一个有前途的工具.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.9K
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
194
