基于生物标志物和可解释的机器学习框架,用于预测胃癌的病理阶段:一项回顾性分析
Guanmo Liu1, Sen Yang1,2, Jie Li1
1Department of General Surgery, Peking Union Medical College Hospital, Chinese Academy of Medical Sciences & Peking Union Medical College, Beijing, China.
Digital health
|October 30, 2025
概括
一个新的机器学习模型使用常规血液测试来准确地确定胃癌 (GC) 的阶段,改进了用于个性化治疗计划和风险分层的非侵入性诊断工具.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 医学诊断 医学诊断 医学诊断
背景情况:
- 准确的胃癌 (GC) 术前分期对有效治疗至关重要.
- 目前用于区分早期和高级GC的非侵入性方法是有限的.
研究的目的:
- 开发和验证用于使用常规实验室参数进行非侵入性GC分期的机器学习模型.
- 识别关键的预测特征,以提高诊断准确度.
主要方法:
- 对434名GC患者的手术前实验室数据进行了回顾性分析.
- 开发了11个受监督的机器学习算法,CatBoost因其卓越的性能而被选中.
- 特性工程包括炎症,代谢和与瘤相关的比率概况;SHAP分析确定了关键预测因素.
主要成果:
- 采用比率特征的CatBoost模型实现了0.9499.9的高曲线下面积 (AUC).
- SHAP分析确定尿酸 (UA) 和APTT是显著的预测因素.
- 该模型通过交叉验证证明了优秀的歧视性,可解释性和稳定性.
结论:
- 通过使用常规血液检测,开发了一种强大且可解释的机器学习模型用于GC分期.
- 该模型提供了个性化风险分层和胃癌治疗规划的实用工具.
