用超声波和机器学习与SHAP预测乳腺癌中的带淋巴结转移
Gengyan Bai1, Xiaohong Zhong1, Youping Wu1
1Department of Ultrasound, Women and Children's Hospital, School of Medicine, Xiamen University, Xiamen, Fujian, People's Republic of China.
Cancer management and research
|October 2, 2025
概括
这项研究开发了一种可解释的机器学习模型,用于预测乳腺癌状淋巴结转移. 梯度增强模型实现了高精度,有助于个性化治疗决策.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 准确的手术前预测下淋巴结 (ALN) 转移对于乳腺癌手术规划和降低患者发病率至关重要.
- 传统的超声波和多普勒成像由于主观性的限制.
- 现有的机器学习 (ML) 模型往往缺乏可解释性和多中心验证.
研究的目的:
- 评估11个ML算法用于ALN转移预测.
- 开发一个有效的,可解释的模型,整合超声波和多普勒特征.
- 为了利用SHapley添加式解释 (SHAP) 来实现模型的解释性.
主要方法:
- 一项回顾性双中心研究包括303名患者 (门) 和102名患者 (龙).
- 从手术前的超声波和多普勒图像中提取了特征.
- 递归特征消除 (RFE) 和SHAP确定了关键预测因素;渐变增强被选为最佳算法.
主要成果:
- 选择了五个关键特征:瘤直径,皮质与皮的比率和多普勒衍生速度.
- 结合的梯度提升模型实现了高AUC (0.981培训,0.975内部验证,0.987外部验证),表现优于其他得分.
- 该模型在决策曲线分析中显示出卓越的校准和净收益.
结论:
- 使用SHAP的渐变增强模型提供了对ALN转移的准确和可解释的预测.
- 这种方法支持乳腺癌患者的非侵入性风险分层.
- 这些发现有助于制定个性化乳腺癌管理策略.
