根据临床指标识别胃肠道转化风险:基于SHAP方法的机器学习预测模型
Yufen Wang1, Jian Bi2, Shunzhe Song1
1Department of Digestive Endoscopy, First Affiliated Hospital of Dalian Medical University, Dalian, China.
Frontiers in pharmacology
|November 24, 2025
概括
这项研究开发了一种使用机器学习的预测模型,以识别胃肠转化症 (GIM) 风险较高的患者,以帮助早期发现胃癌. 该模型利用血清生物标志物,并为临床使用提供了一个实用的基于Web的计算器.
科学领域:
- 胃肠病学 胃肠病学
- 在瘤学瘤学.
- 生物医学信息学 生物医学信息学
背景情况:
- 胃肠转化症 (GIM) 查对于早期发现胃癌至关重要.
- 识别高风险的GIM患者对于及时的胃粘膜活检至关重要.
- 开发一个预测模型可以帮助临床医生在风险分层和管理.
研究的目的:
- 开发和验证患者GIM发生的预测模型.
- 确定GIM的关键临床和血清学预测因素.
- 为临床医生创建一个实用的工具来评估GIM风险.
主要方法:
- 利用了975名患者的数据,其中322人被诊断为GIM.
- 采用了包括随机森林 (RF) 在内的八个机器学习算法来构建预测模型.
- 应用了SHAP值来解释模型的可解释性,并开发了一个基于Web的计算器.
主要成果:
- 确定了11个与GIM相关的独立变量,包括肝/功能标志物和H. pylori感染.
- 射频模型的AUC为0.8167,具有85.5%的特异性和57.0%的灵敏度.
- SHAP值提供了对特征贡献的洞察力,并开发了一个网络计算器.
结论:
- 血清生物标志物,特别是肝脏和功能标志物,是GIM风险的有效预测因素.
- SHAP值提高了GIM预测模型的可解释性.
- 基于网络的计算器为GIM风险评估提供了一个实用的临床工具.


