开发和验证基于机器学习的模型,用于预测治疗性肝切除术后与HBV相关的肝细胞癌患者的早期复发

科学领域:

• 肝细胞癌研究 肝细胞癌研究
• 机器学习在瘤学中的应用
• 临床决策支持系统 临床决策支持系统

背景情况:

• 早期复发 (ER) 显著影响肝细胞癌 (HCC) 患者的长期存活率.
• 准确预测ER对于有效的术后管理和监测策略至关重要.

研究的目的:

• 开发和评估一种基于机器学习 (ML) 的预测模型,用于肝细胞癌 (HCC) 的早期复发 (ER).
• 将ML模型的性能与用于ER预测的传统物流回归进行比较.
• 为了提高模型的可解释性,使用夏普利添加式扩展 (SHAP) 值.

主要方法:

• 构建和比较了六个机器学习算法.
• 确定了表现最好的模型,并与逻辑回归模型进行对比.
• 为了实现全球和个体模型的可解释性,使用了夏普利添加式解释 (SHAP).

主要成果:

• 在903名HCC患者中,38.9%的患者在两年内经历了ER.
• 随机森林 (RF) 模型实现了0.917的曲线下面面积 (AUC),超过了后勤回归 (AUC 0.853).
• 关键预测ER的关键预测因素包括多个瘤,微血管入侵和瘤大小>5厘米,通过SHAP分析确定.

结论:

• 开发的随机森林 (RF) 模型为预测HCC中ER提供了一个临床解释和部署的工具.
• 这种ML模型支持对HCC患者实施个性化术后监测策略.
• 基于射频模型的在线计算器可用于临床使用.