解释卵巢癌的人工智能:在整体模型中的生物标志物贡献

科学领域:

• 在瘤学瘤学.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 卵巢癌的高死亡率需要改进早期检测.
• 晚期诊断是不良结果的主要驱动因素.
• 现有的诊断工具需要加强,以便及时干预.

研究的目的:

• 开发和验证可解释的人工智能 (XAI) 模型,以区分恶性和良性卵巢质量.
• 利用随时可用的人口和实验室数据进行诊断准确.
• 为诊断决策提供临床可解释的见解.

主要方法:

• 对包括309名患者 (140名恶性,169名良性) 在内的47个临床参数数据集的分析.
• 使用Boruta算法进行特征选择,识别出19个重要的特征,包括瘤标记物,血液学指数,肝功能测试和电解质.
• 通过重复分层5倍交叉验证优化和评估五个集机器学习算法.

主要成果:

• 梯度增强模型表现出卓越的性能,准确度为88.99%,AUC-ROC为0.934,马修斯相关系数为0.782.
• SHAP分析强调HE4,CEA,全球蛋白,CA125和年龄是最有影响力的特征.
• XAI技术 (LIME,SHAP) 提供了透明的决策途径,可视化了特征对恶性瘤预测的影响.

结论:

• 使用常规实验室数据的组合模型可以实现对卵巢质量的高诊断准确度,与已建立的临床指数相比.
• XAI的整合确保了透明度和临床可信性,突出了已知的和潜在的新生物标志物.
• 开发的模型提供了一个务实的,可扩展的分类工具,以增强卵巢癌诊断途径,特别是在资源有限的环境中.