可解释的人工智能和集体学习用于肝细胞癌分类:最新技术,性能和临床影响
Sami Akbulut1,2, Cemil Colak3
1Surgery and Liver Transplantation, Inonu University Faculty of Medicine, Malatya 44280, Türkiye.
World journal of hepatology
|December 8, 2025
概括
可解释组合学习模型通过整合多omics数据,在分类肝细胞癌 (HCC) 中显示出高准确性. 这些先进的AI工具为改善癌症诊断的早期检测和个性化治疗提供了潜力.
科学领域:
- 在瘤学中使用人工智能
- 机器学习用于医学诊断
- 生物信息学和计算生物学
背景情况:
- 肝细胞癌 (HCC) 是全球癌症死亡的主要原因.
- 早期发现和个性化治疗对于改善HCC患者的治疗结果至关重要.
- 需要先进的诊断工具来整合各种数据类型用于HCC分类.
研究的目的:
- 对HCC分类的可解释组合学习方法进行审查.
- 要强调这些模型与临床工作流程和多omics数据的整合.
- 评估这些方法的诊断准确性和临床解释性.
主要方法:
- 系统分析数据集,包括癌症基因组图谱,基因表达总汇和SEER.
- 评估合体学习模型 (例如基于SHAP的随机森林,堆叠合体).
- 临床特征,血清生物标志物,成像数据和基因组信息的整合.
主要成果:
- 可解释组合学习模型可以实现高诊断准确度的HCC.
- 基于SHAP的随机森林在微阵列数据上达到96.53%的准确性.
- 堆叠组合显示,使用SEER数据预测死亡率的AUC为0.779.
结论:
- 可解释组合学习为HCC的预测准确性和临床可解释性提供了潜在的桥梁.
- 挑战包括计算成本,数据集偏差和概括性.
- 未来的研究需要在不同的队列中进行验证,并开发标准化指标.
更多相关视频
12:24A Three-Dimensional Spheroid Model to Investigate the Tumor-Stromal Interaction in Hepatocellular Carcinoma
Published on: September 30, 2021
5.9K
07:32Author Spotlight: Investigating Immune Cell Dynamics in the Tumor Microenvironment — Challenges and Innovations in Cancer Prognosis
Published on: April 12, 2024
1.9K
