一个基于CT的可解释机器学习模型,用于术前预测胰腺神经内分泌瘤的攻击性

科学领域:

• 放射学和瘤学 放射学和瘤学
• 人工智能在医学中的应用
• 计算病理学计算病理学

背景情况:

• 胰腺神经内分泌瘤 (PNETs) 需要准确评估攻击性,以有效管理.
• 目前用于确定PNET侵略性的方法可能是侵入性的或缺乏精度.
• 需要使用非侵入性工具来预测手术前的PNET攻击性.

研究的目的:

• 开发和验证一个可解释的机器学习 (ML) 模型来预测PNET的攻击性.
• 利用结构化手术前CT特征进行非侵入性风险分层.
• 通过精确的风险评估,加强PNET患者的临床决策.

主要方法:

• 对112名患有PNET的患者进行了回顾性分析,这些患者接受了增强对比度的腹部CT.
• 使用最小绝对收缩和选择运算符 (LASSO) 和对CT特征的后勤回归来开发ML模型.
• 使用接收器操作特征 (ROC) 曲线,校准曲线和决策曲线分析验证模型性能.
• 应用沙普利增量解释 (SHAP) 模型可解释性和特征重要性量化.

主要成果:

• 开发的ML模型,结合了瘤形状和增强模式等特征,准确地预测了PNET的攻击性.
• 后勤回归模型实现了高差异化,在培训队列中,曲线下的面积 (AUC) 为0.952,在验证队列中为0.972.
• SHAP分析提供了对驱动模型预测的全球和本地因素的见解,提高了可解释性.

结论:

• 基于手术前CT特征的可解释的ML模型提供了一个精确的,非侵入性的方法来区分攻击性和非攻击性的PNET.
• 这种工具可以对PNET患者的个性化临床管理策略有显著的帮助.
• 该模型有可能通过更早,更准确的风险分层来改善患者的治疗结果.