可解释的机器学习模型用于预测早期复发和手术后远程转移在早期发病的结直肠癌
Weixiang Ni1, Bowen Zhang2, Yi Gao3
1Fuzong Clinical Medical College of Fujian Medical University, Fuzhou, China; Department of General Surgery, 900th Hospital of PLA Joint Logistic Support Force, Fuzhou, China.
Surgery
|December 16, 2025
概括
这项研究开发了可解释的机器学习模型,以预测早期出现的结直肠癌患者的早期复发和转移. 随机森林模型显示出卓越的性能,有助于个性化处理决策.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 早发性结肠直肠癌 (CRC) 提出了独特的挑战.
- 预测术后复发和远程转移对于患者的治疗结果至关重要.
研究的目的:
- 开发和验证可解释的机器学习 (ML) 模型,用于预测早期复发和早期CRC的远程转移.
- 确定风险分层的关键预测特征.
主要方法:
- 利用了256名经过彻底切除的早期CRC患者的临床数据.
- 应用了5个ML算法 (KNN,LR,RF,SVM,XGBoost) 来进行模型开发.
- 使用ROC曲线,校准曲线和决策曲线分析验证的模型;通过Shapley添加式解释 (SHAP) 评估可解释性.
主要成果:
- 121名 (47.3%) 患者在3年内出现复发/转移.
- 十个特征被确定为重要的预测因素,包括T阶段,N阶段和各种生物标志物.
- 随机森林 (RF) 模型实现了最高的性能 (AUC 0.827),T阶段被确定为SHAP.最有影响力的预测因素.
结论:
- 可解释的随机森林模型证明了早期复发和早期CRC中远程转移的优越预测能力.
- 这些模型为诊断和治疗规划提供了个性化临床决策的潜力.
