胃癌远程转移的机器学习驱动风险分层:对临床特征和复合指数综合模型的比较研究
1Department of Laboratory Medicine, Zhejiang Cancer Hospital, Hangzhou, Zhejiang, People's Republic of China.
PloS one
|October 30, 2025
概括
这项研究开发了一种可解释的机器学习模型,用于在术前预测胃癌患者的远程转移. 该模型整合了临床和实验室特征,有助于早期检测和管理策略,以改善患者的治疗结果.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 胃癌的远程转移导致高死亡率.
- 早期发现和管理对于改善GC患者的治疗结果至关重要.
- 可解释机器学习 (ML) 提供了准确的手术前预测GC转移的潜力.
研究的目的:
- 开发一种可解释的机器学习 (ML) 模型,用于术前预测胃癌 (GC) 中的远程转移 (DM).
- 确定与GC转移相关的关键临床和实验室特征.
- 为指导GC管理中的术前决策提供一个工具.
主要方法:
- 对1009名GC患者 (发育和外部测试队列) 的回顾性分析.
- 使用单变量和多变量分析进行特征选择,包括临床数据和实验室衍生指数.
- 使用SMOTE和ENN进行数据集平衡.
- 开发和评估使用ROC曲线,回忆和PR曲线的五个ML模型.
- 应用SHAP分析来确定特征的重要性和模型可解释性.
主要成果:
- 确定了五种与转移相关的特征:cT阶段,cN阶段,分化度,PLR和TMI.
- 后勤回归模型表现出卓越的性能,AUC为0.942 (开发) 和0.879 (外部测试).
- 实现了高回忆率 (0.895) 和AUPRC (0.889),表明了强大的预测能力.
- SHAP分析提供了对每个特征对模型预测的贡献的见解.
结论:
- 一个集临床和复合指数的可解释的ML模型准确地预测了GC转移风险.
- 开发的模型和在线工具可以帮助临床医生为GC患者做出手术前决策.
- 这种方法增强了远程转移性GC的早期检测和管理策略.
