基于机器学习的模型用于预测MVI阴性HCC中术后复发风险

科学领域:

• 肝病学 肝病学是一种肝病学.
• 机器学习在医学中的应用
• 在瘤学瘤学.

背景情况:

• 没有微血管入侵 (MVI) 的肝细胞癌 (HCC) 患者在手术后具有早期复发 (ER) 的高风险.
• 在这个群体中,对ER的预测因素尚不清楚,现有的模型也有局限性.

研究的目的:

• 开发和验证可解释的机器学习 (ML) 模型,以预测MVI阴性HCC患者的ER.
• 用常规的临床参数来准确地分层风险.

主要方法:

• 对578名MVI阴性HCC患者进行了彻底切除后期分析.
• 使用临床,实验室和成像特征对七个ML算法的基准测试,通过递归特征消除 (RFE) 和超参数调整进行优化.
• 为了模型的可解释性,夏普利添加式解释 (SHAP).

主要成果:

• CatBoost模型实现了卓越的性能 (AUC: 0.7957,精度: 0.7290).
• 治疗ER的关键预测因素包括瘤囊的缺失,HBV-DNA和CA125水平的升高,瘤直径更大,体重更低.
• SHAP分析提供了个性化的风险见解.

结论:

• CatBoost模型在MVI阴性HCC患者中提供了ER的可靠预测.
• 这种可解释的ML工具可以个性化风险分层,并优化HCC患者的术后管理.