可解释的机器学习用于唾液管癌的预测:基于Web的预测工具的开发和部署

科学领域:

• 在瘤学瘤学.
• 生物统计学 生物统计学
• 机器学习 机器学习

背景情况:

• 唾液管癌 (SDC) 是一种具有不良预后的侵袭性癌症.
• 对于SDC的传统预后模型在准确性和可解释性方面存在局限性.
• 机器学习 (ML) 为SDC中改善生存预测提供了一个有希望的方法.

研究的目的:

• 开发和验证可解释的机器学习模型,用于预测SDC患者的癌症特异性生存率 (CSS) 和整体生存率 (OS).
• 将ML模型的性能与传统的生存分析方法进行比较.
• 通过使用ML解释性技术,识别SDC的关键预后因素.

主要方法:

• 从监测,流行病学和最终结果数据库中利用了552名SDC患者 (2004-2021) 的数据.
• 开发并比较了三个预测模型:Cox比例危险,随机生存森林 (RSF) 和DeepSurv.
• 使用一致性指数 (C指数),集成的Brier分数和时间依赖的AUC评估模型性能;使用SHAP值进行解释.

主要成果:

• 所有开发的模型都显示出强大的预测性能.
• 该RSF模型显示出优异的区分和校准 (C指数:0.785培训,0.768测试).
• 通过SHAP分析确定的关键预测因素包括淋巴结比率,TNM阶段和切割手术.

结论:

• 成功开发了一种可解释的ML模型,用于预测SDC患者的CSS和OS.
• 作为网络工具部署的RSF模型可以增强个性化的预后评估.
• 这种方法支持基于证据的临床管理和SDC的个性化护理规划.