可解释的人工智能用于预测转移性癌症的死亡风险:使用纪念斯隆凯特林-转移性数据集进行回顾性队列研究

科学领域:

• 计算生物学和生物信息学
• 瘤学和癌症研究.
• 机器学习和人工智能机器学习

背景情况:

• 转移性癌症是癌症死亡的主要原因,由于临床异质性和复杂的分子特征,生存预测有限.
• 机器学习 (ML) 提供了一种强大的方法来整合多样化的患者和瘤数据,以提高风险分层和精确瘤学.
• 现实世界的数据和先进的ML技术对于开发瘤学中可解释的预测模型至关重要.

研究的目的:

• 开发和解释ML模型,以使用MSK-MET数据集预测转移性癌症患者的整体存活率.
• 通过可解释的人工智能 (AI) 技术识别转移性癌症的关键预后生物标志物.
• 利用ML来改善患者咨询,治疗计划和精确瘤学工作流程.

主要方法:

• 在27种瘤类型中对纪念斯隆·凯特林-转移性 (MSK-MET) 队列 (n=20,338) 的回顾性分析.
• 训练了五个ML分类器 (XGBoost,逻辑回归,随机森林,决策树,天真贝叶斯) 使用分层数据和交叉验证.
• 评估模型性能使用准确度,AUC,精度,回忆,F1分数;使用SHAP进行解释性和XGBoost-Cox进行时间到事件预测.

主要成果:

• 与其他分类器相比,极端梯度增强 (XGBoost) 显示出更高的性能 (精度=0.74,AUC=0.82).
• 在生存分析中,XGBoost-Cox模型 (C指数=0.70) 的表现优于传统的Cox模型 (C指数=0.66).
• SHAP和Cox模型确定了转移部位数,瘤突变负担和远程肝/骨转移作为强有力的预后因素.

结论:

• 可解释的ML模型,特别是XGBoost与SHAP,有效预测转移性癌症的生存率,并突出显示临床上有意义的特征.
• 这些ML工具可以帮助患者咨询,治疗计划和整合到精确瘤学中.
• 未来的研究应该侧重于外部验证,电子病历整合和前性临床评估.