可解释的机器学习模型用于预测直肠癌中的侧侧盆腔淋巴结转移:一项中国多中心回顾性研究

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 放射学 放射学是一门学科.

背景情况:

• 内和阻塞淋巴结是直肠癌转移的常见地点.
• 精确预测淋巴结转移对于有效的治疗计划至关重要.

研究的目的:

• 开发和解释一种机器学习 (ML) 模型,用于预测直肠癌中淋巴结转移的情况.
• 使用Shapley添加式解释 (SHAP) 识别影响转移预测的关键临床特征.

主要方法:

• 从四个中国中心的直肠癌患者的临床数据回顾性收集.
• 开发和评估五个ML模型,包括随机森林 (RF),使用AUC,精度和F1得分.
• 应用SHAP分析来解释特征重要性和模型预测.

主要成果:

• 射频模型在测试和外部验证组中都表现出卓越的性能 (AUC高达0.899,精度高达0.827).
• 通过SHAP分析确定的关键预测因素包括扩大的淋巴结的短轴直径,区域淋巴结转移和瘤到门边缘距离.
• SHAP力图为模型预测提供了个体患者级别的解释.

结论:

• 一个可解释的ML模型使用临床数据准确地预测直肠癌中的淋巴结转移.
• SHAP分析增强了对特征贡献的理解,支持个性化治疗决策.