可解释的机器学习用于预后建模等候名单死亡率在肝硬化肝移植中
Abdelghani Halimi1,2, Nesma Houmani1, Sonia Garcia-Salicetti1
1SAMOVAR, Télécom SudParis, Institut Polytechnique de Paris, 91120, Palaiseau, France.
Computational and structural biotechnology journal
|December 29, 2025
概括
机器学习模型显著改善了传统得分之外的肝移植死亡率预测. 一种可解释的AI方法可以提高患者优先级和器官分配公平性.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 移植手术 移植手术
背景情况:
- 对肝移植候选人的准确死亡率预测对于公平的器官分配至关重要.
- 现有的模型,如末期肝病模型 (MELD),可能无法捕捉复杂的危险因素相互作用.
- 机器学习 (ML) 提供了提高预测准确性的潜力,但往往缺乏可解释性.
研究的目的:
- 将基于MELD的得分与先进的ML模型进行比较,以预测等候名单死亡率.
- 使用可解释AI (SHAP) 识别影响死亡率的关键风险因素.
- 开发一个增强的,可解释的得分,以改善LT的患者优先级.
主要方法:
- 对UNOS/OPTN注册表数据的回顾性分析.
- 使用LDA,TabNet,随机森林 (RF) 和LightGBM模型进行MELD得分的比较.
- 应用夏普利添加式解释 (SHAP) 来实现模型的可解释性.
主要成果:
- 轻GBM表现出卓越的性能,实现AUROC的0.921 (3个月),0.892 (6个月) 和0.872 (12个月) 的死亡率.
- 基于LightGBM的拟议的集体学习移植死亡率 (ELTM) 评分,改善了风险评估和优先级.
- 在SHAP分析中,功能状态,年龄,和胆红素变化被确定为超越MELD的关键预测因素.
结论:
- 可解释的ML提供了一种透明和数据驱动的方法,用于肝移植中的预后建模.
- 先进的ML模型,特别是LightGBM,在预测等候名单死亡率方面表现优于传统得分.
- 该ELTM得分提供了一个更公平,更准确的方法来优先考虑LT候选人,可能挽救生命.
