可解释的多分类机器学习模型在预测小细胞肺癌转移的程度

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 数据科学数据科学数据科学

背景情况:

• 小细胞肺癌 (SCLC) 呈现出快速进展和高转移率,危及患者的生存.
• 目前的临床模型在预测SCLC转移阶段时缺乏准确性,阻碍了及时有效的治疗.
• 机器学习 (ML) 提供了通过复杂模式识别来提高预测准确性和操作性的潜力.

研究的目的:

• 开发和解释使用现实世界的数据进行SCLC转移性分期的预测模型.
• 利用ML算法提高SCLC转移预测的准确性.
• 通过精确的分期来改善SCLC管理的临床决策.

主要方法:

• 利用监测,流行病学和最终结果 (SEER) 数据库 (2004-2017) 来获得真实世界的数据.
• 采用多个ML算法,包括Lasso回归用于特征选择和XGBoost用于预测.
• 通过交叉验证优化模型参数,并使用AUC和其他指标评估性能.
• 应用SHAP (夏普利添加式解释) 和LIME用于模型解释性和可变贡献分析.

主要成果:

• XGBoost模型在预测SCLC转移阶段方面取得了最高的准确性,优于其他模型.
• 该模型在识别晚期转移性阶段 (M1b和M1c) 中表现出卓越的性能,由明显更好的AUC值表明.
• SHAP分析确定了年龄,瘤大小和治疗方案作为影响模型结果的关键预测因素.
• LIME分析证实了这些变量对个体病例预测的具体影响.

结论:

• 先进的ML方法,特别是XGBoost与SHAP解释,显著提高SCLC转移性分期预测的准确性.
• 开发的模型提高了预测的解释性,帮助临床医生选择治疗策略和早期干预.
• 这些发现支持在SCLC管理中更准确的临床决策,可能改善患者的治疗结果.