可解释机器学习用于预测乳腺癌中新辅助化疗反应,使用基线临床和病理特征

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 对新辅助化疗 (NAC) 的病理反应是乳腺癌 (BC) 的关键预后指标.
• 由于功能有限,现有的模型往往缺乏足够的预测能力.
• 准确预测治疗反应对于优化患者管理至关重要.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测对NAC的病理完整反应 (pCR).
• 利用基线临床和病理特征来提高预测准确度.
• 为了改善BC患者的治疗策略优化.

主要方法:

• 收集了303个BC患者的数据,这些患者接受了NAC.
• 采用LASSO回归来进行特征选择.
• 开发并比较了六种ML模型 (XGBoost,LightGBM,CatBoost,物流回归,RF,SVM).
• 使用AUC,准确性,精度,回忆,F1和Brier分数来评估模型性能.
• 使用SHAP来实现模型的可解释性.

主要成果:

• 在超参数调整后,CatBoost模型实现了最高的预测性能,AUC为0.853.
• 确定了12个特征,包括体瘤透淋巴细胞 (sTILs),作为显著的预测因子.
• 通过SHAP分析,sTIL被确定为最关键的预测特征.
• 使用sTILs的CatBoost模型在交叉验证中显示平均AUC为0.83.

结论:

• 一个基于ML的模型可以在基线时准确地预测BC患者的pCR.
• 这种预测有助于优化NAC治疗策略.
• 可解释的SHAP框架增加了临床信任和对ML模型的理解.