可解释的机器学习模型来预测食道癌的生存率:基于SEER数据库和中国外部验证的研究
Abudouresuli Tuersun1,2,3, Saimaitikari Abudoubari1,2,3, Abudoushalamu Abudouwake4
1Department of Radiology, The First People's Hospital of Kashi Prefecture, Kashgar Prefecture, China.
Frontiers in physiology
|November 14, 2025
概括
可解释的机器学习模型预测食道癌的生存率. 神经多任务逻辑回归 (NMTLR) 模型显示了最高的准确性,有助于临床预后.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 机器学习 机器学习
背景情况:
- 食道癌症是一个重大的全球健康挑战.
- 准确预测整体存活率 (OS) 对于有效的患者管理至关重要.
- 现有的预后模型可能缺乏解释性,阻碍了临床的信任和应用.
研究的目的:
- 开发和验证可解释的机器学习 (ML) 模型,用于预测食道癌患者的整体存活率 (OS).
- 为了提高透明度和对食道癌的预后因素的理解.
- 确定影响患者生存结果的关键预测因素.
主要方法:
- 利用SEER数据库和临床病理学数据的外部验证队列.
- 与CoxPH一起开发和比较了六个ML模型 (RSF,GLMboost,dt,bt,DeepSurv,NMTLR)
- 采用时间依赖变量重要性,部分相关性存活图和SurvSHAP进行解释性评估.
主要成果:
- 神经多任务后勤回归 (NMTLR) 模型表现出卓越的预测性能.
- 模型实现了高分辨率,曲线下面积 (AUC) >0.81和数据集集集成的Brier分数<0.175.
- 确定的主要预测因素包括M阶段,N阶段,年龄,年级,骨,肝脏,肺转移和放射治疗.
结论:
- NMTLR模型为预测食道癌提供了一个高度有效和可解释的工具.
- 这种模型可以帮助医生准确评估生存率,诊断和预后.
- 解释性分析证实了所确定的预后因素的可靠性和临床相关性.
