可解释的机器学习预测了激进囊切除术后女性膀癌患者的整体存活率
Ming Yan Zhong1, Xin Chang Zou2, Pei Huang Chen3
1Department of Oncology, Pingxiang Second People's Hospital, Pingxiang, 337000, Jiangxi, China.
Discover oncology
|December 27, 2025
概括
这项研究开发了机器学习模型,用于预测激进囊切除术 (RC) 后女性膀癌患者的整体存活率 (OS). 渐变增强决策树 (GBDT) 模型在预测生存结果方面显示出卓越的准确性.
科学领域:
- 在瘤学瘤学.
- 机器学习在医学中的应用
- 癌症预后 癌症预后
背景情况:
- 女性膀癌患者经常出现晚期疾病,与男性相比,预后更差.
- 准确预测整体存活率 (OS) 对于在这个人口群体中有效的治疗规划至关重要.
研究的目的:
- 开发和评估多种机器学习模型,用于预测女性膀癌患者进行激进囊切除术 (RC) 的术后生存系统.
主要方法:
- 来自SEER数据库 (2004-2022) 和外部验证队列的4603名女性膀癌患者的回顾性分析.
- 利用LASSO-Cox和Cox回归来确定预后因素,然后使用SVM,KNN,GBDT,RF和XGBoost构建模型.
- 使用AUC,准确性,精度,F1得分,C指数,校准曲线和SHAP进行特征解释性来评估模型性能.
主要成果:
- 确定了T阶段,N阶段,年龄,瘤大小,婚姻状况,化疗和检查的淋巴结 (ELN) 作为重要的OS预测因素.
- 渐变增强决策树 (GBDT) 模型在预测1,3年和5年生存率方面表现出卓越的表现,并得到了外部验证.
- SHAP分析强调T阶段,N阶段和化疗是最佳GBDT模型中最具影响力的特征.
结论:
- 开发可解释的机器学习模型,特别是GBDT,用于预测RC后的女性膀癌患者的OS.
- GBDT模型为临床预后评估和指导个性化治疗决策提供了有价值的工具.
