基于放射学的机器学习用于质瘤等级分类:一项多中心研究,使用了SHapley添加剂Explanations解释性分析
Yumeng Shi1,2, Wei Jiang3, Li Zhou1,2
1Department of Radiotherapy, Affiliated Hospital of Nantong University, Nantong, China.
Translational cancer research
|November 14, 2025
概括
这项研究开发了一个可解释的机器学习模型,使用MRI放射学来准确预测质瘤世界卫生组织 (WHO) 级别. 该模型显示出用于指导治疗和预后的临床应用的前景.
科学领域:
- 神经辐射学神经辐射学
- 机器学习在瘤学中
- 医学成像分析 医学成像分析
背景情况:
- 精确的手术前质瘤分类对于治疗计划和预后至关重要.
- 目前用于质瘤分类的方法可能是有限的.
- 这项研究利用MRI数据的先进机器学习来改善质瘤分级.
研究的目的:
- 开发和验证一个强大的,可解释的机器学习 (ML) 模型来预测质瘤世界卫生组织 (WHO) 级.
- 利用多中心磁共振成像 (MRI) 放射学数据来提高预测准确度.
- 为了比较各种ML模型用于质瘤分级的性能.
主要方法:
- 收集了905名质瘤患者的手术前MRI数据,这些患者来自三个独立的队列.
- 从T1加权对比增强MRI扫描中提取了放射性特征.
- 开发并验证了一种极端梯度增强 (XGBoost) 模型,使用SHapley添加式扩展 (SHAP) 来解释.
主要成果:
- 在XGBoost模型中,在训练和验证集中,AUC从0.834到0.983之间实现了高性能.
- 该模型的准确性在82.3-94.3%之间,超过了传统的成像评估.
- SHAP分析确定了纹理异质性特征作为质瘤等级的关键预测因素.
结论:
- 一个可靠和可解释的基于放射学的ML模型,用于手术前质瘤WHO等级预测,已成功开发和验证.
- 该模型在各种数据集中的强性能表明了临床翻译的潜力.
- 需要进一步的前性验证来确认临床效用和对患者结果的影响.
