开发和验证可解释的随机森林模型,用于预测表面食道状细胞癌在内镜下粘膜剖析后的复发
Zhenghui Zhu1, Qinghua Li1, Wangqi Chen1
1Department of Gastroenterology, The First Affiliated Hospital of Nanjing Medical University, Nanjing, Jiangsu, China.
Annals of medicine
|December 24, 2025
概括
这项研究开发了一种可解释的机器学习模型,用于预测在内镜下粘膜切割 (ESD) 后表面食道状细胞癌 (SESCC) 患者的复发风险. 随机森林模型准确地识别高风险患者,有助于个性化治疗策略.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 胃肠病学 胃肠病学
背景情况:
- 内镜下粘膜切割 (ESD) 是表面食道状细胞癌 (SESCC) 的标准.
- 由于残留的背景粘膜,ESD后复发仍然是一个令人担忧的问题.
- 准确预测复发风险对于患者管理至关重要.
研究的目的:
- 开发和验证一个可解释的机器学习 (ML) 模型,用于预测ESCC在ESD后的复发.
- 确定ESD后复发的关键预测因素.
- 为临床风险评估提供一个工具.
主要方法:
- 对接受ESD治疗的SESCC患者 (2016-2023) 的回顾性分析.
- 开发和比较七个ML算法 (包括随机森林).
- 在模型解释性方面应用SHAP.
- 使用单独的患者队列进行时间验证.
主要成果:
- 确定了八个预测因素:血小板与淋巴细胞的比率,淋巴细胞与单细胞的比率,LDL,生物年龄,瘤位置,多重病变,差异化和透深度.
- 随机森林 (RF) 模型显示出优异的性能 (AUC 0.892 内,0.761 时间).
- 为临床使用而创建了一个在线预测平台.
结论:
- 一个可解释的基于射频的ML模型有效地预测ESD后的SESCC复发.
- 该模型有助于识别患有复发高风险的患者.
- 该工具支持个性化治疗和后续策略.
