开发和外部验证可解释的机器学习模型,用于在非小细胞肺癌中提供个性化的多重治疗建议

科学领域:

• 在瘤学瘤学.
• 机器学习 机器学习
• 医疗信息学 医疗信息学

背景情况:

• 非小细胞肺癌 (NSCLC) 的治疗决策是复杂的.
• 需要个性化决策支持工具来改善患者的预后.
• 目前的方法可能无法充分利用预测分析来选择治疗.

研究的目的:

• 为NSCLC开发和外部验证可解释的机器学习模型.
• 预测手术,放射治疗和化疗的建议.
• 评估这些人工智能驱动的治疗预测的预后影响.

主要方法:

• 利用SEER数据库 (31,873名NSCLC患者) 进行模型开发和外部验证 (11,220名患者).
• 采用了九个机器学习算法,通过AUROC,准确性,F1和Brier分数来评估性能.
• 使用SHAP分析来解释可解释性和Cox模型来量化生存效益.

主要成果:

• 轻GBM模型显示了高的预测性能 (手术AUROC 0.902,放射治疗0.726,化疗0.829).
• 外部验证证实了强大的模型性能.
• SHAP分析确定了M阶段,瘤阶段,N阶段和年龄作为关键预测因素;生存分析显示了模式特定的益处.

结论:

• 可解释的机器学习模型准确地预测了个性化的NSCLC治疗建议.
• 这些模型为个性化决策提供了宝贵的见解.
• 在NSCLC中通过人工智能支持的治疗选择优化患者的治疗结果是可行的.