基于可解释机器学习的预测小细胞肺癌的老年患者肝转移风险:基于SEER数据库和中国队列外部验证的研究

科学领域:

• 在瘤学瘤学.
• 机器学习 机器学习
• 医疗信息学 医疗信息学

背景情况:

• 小细胞肺癌 (SCLC) 是一种具有频繁肝转移的侵袭性恶性瘤,特别是在老年患者中,影响生存.
• 在这个人群中,肝转移的现有预测工具是有限的.
• 准确的风险分层对于优化老年SCLC患者的治疗策略至关重要.

研究的目的:

• 开发和验证可解释的机器学习 (ML) 模型,用于对老年SCLC患者的肝转移风险进行重新分层.
• 在这个特定的人群中确定肝转移的关键预测因子.
• 为管理老年SCLC患者的临床医生提供决策支持工具.

主要方法:

• 利用来自SEER和中国医院数据库的10,080名老年SCLC患者的大队伍.
• 采用Boruta算法进行特征选择,确定了11个关键变量.
• 开发并比较了七个ML模型 (逻辑回归,天真贝叶斯,SVM,决策树,随机森林,XGBoost,LightGBM),通过SHAP分析选择XGBoost进行解释性.

主要成果:

• 在验证组中,肝转移的发生率约为33-35%.
• XGBoost表现出最佳的区分性能 (内部验证中的AUC为0.820),略高于其他模型.
• SHAP分析强调了LDS/EDS,瘤阶段,骨和大脑转移作为重要的预测因素.

结论:

• 基于XGBoost的ML模型为老年SCLC患者的肝转移风险提供了适度的预测准确性和良好的解释性.
• 该模型可以作为后阶段的辅助决策支持工具.
• 为了更广泛的临床实施和通用性,需要进一步的验证和潜在的重新校准.