开发和验证可解释的机器学习模型,用于预治疗,预测肝细胞癌中针对性和免疫治疗的反应

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 肝细胞癌 (HCC) 治疗疗效受到瘤异质性的限制.
• 预测患者对向和免疫疗法的反应对于优化结果至关重要.
• 机器学习 (ML) 为HCC提供了个性化治疗策略的潜力.

研究的目的:

• 开发和验证可解释的ML模型,用于预测HCC的治疗反应和预后.
• 整合临床和CT成像功能,用于预治疗预测.
• 确定可能受益于向和免疫疗法的患者.

主要方法:

• 对接受向和免疫治疗的413名HCC患者进行了回顾性多中心研究.
• 开发和验证物流回归,SVM,RF和XGBoost模型.
• 使用AUC和Kaplan-Meier分析进行性能评估; SHAP用于可解释性.

主要成果:

• 在XGBoost模型中,AUC值为0.802 (培训) 和0.805 (验证).
• 关键预测因素包括BCLC阶段,瘤数量,边缘,周周瘤增强和宏血管入侵.
• 来自XGBoost模型的高风险分数与较短的整体存活率 (OS) 相相关.

结论:

• XGBoost模型准确地预测HCC患者的治疗反应和预后.
• 这种可解释的ML工具可以非侵入性地指导治疗决策.
• 通过个性化治疗选择优化临床结果是可行的.