开发和验证一种可解释的机器学习模型用于癌性胆囊炎预测:一个多中心的回顾性研究

科学领域:

• 医疗信息学 医疗信息学
• 手术瘤学手术瘤学
• 医疗保健中的机器学习

背景情况:

• 癌性胆囊炎 (GC) 需要及时诊断和手术干预.
• 对GC进行准确的手术前风险分层对于患者管理至关重要.
• 现有的诊断方法在早期发现GC时可能存在局限性.

研究的目的:

• 开发和外部验证可解释的机器学习 (ML) 模型,用于预测手术前的性胆囊炎 (GC).
• 利用多中心临床数据进行可靠的模型开发和验证.
• 在预测GC时提高ML模型决策的透明度.

主要方法:

• 追溯分析744名胆囊炎患者,分为培训和测试队列,对300名患者进行外部验证.
• 从20个手术前变量中使用LASSO回归和Boruta算法进行特征选择.
• 使用AUC,校准和决策曲线分析构建和评估六个ML模型,并使用SHAP进行解释性.

主要成果:

• 随机森林 (RF) 模型实现了卓越的性能:AUC为0.893 (训练),0.875 (测试) 和0.818 (外部验证).
• 通过决策曲线分析证明了出色的校准和临床益处.
• 通过SHAP分析确定的关键预测因素包括胆囊壁加厚,C反应蛋白,周胆囊液,白细胞计数和受影响的石头.

结论:

• 一个可解释的ML模型证明了在多中心队列中进行手术前GC风险分层的良好歧视和概括性.
• 该模型整合了临床,实验室和成像特征,提供了可解释性,以帮助术后决策.
• 在常规临床采用之前,建议进行进一步的前性多中心评估.