肝细胞癌肝移植候选人的可解释性死亡率预测:一个监督的集群方法
Abdelghani Halimi1,2, Nesma Houmani1, Sonia Garcia-Salicetti1
1SAMOVAR, Télécom SudParis, Institut Polytechnique de Paris, 91120 Palaiseau, France.
Health data science
|January 15, 2026
概括
预测肝移植候选人肝细胞癌 (HCC) 的死亡率是一项挑战. 我们使用Ensemble Learning和SHAP的新机器学习模型,通过考虑肝功能和瘤进展,提供更准确的风险评估.
科学领域:
- 肝病学和移植外科手术
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 对肝移植候选人肝细胞癌 (HCC) 的准确死亡率预测是一个重大的临床挑战.
- 现有的评分系统 (Child-Pugh,MELD等等) 由于肝功能障碍和瘤进展的双重负担,经常缺乏精确性.
- 需要采取全面的方法来有效管理HCC患者.
研究的目的:
- 开发一种基于机器学习的先进评分系统,以改善HCC患者的死亡风险预测.
- 利用集体学习和夏普利添加式解释 (SHAP) 来更深入地了解死亡风险因素.
- 为了确定潜在的患者子组,以便进行更详细的风险评估.
主要方法:
- 开发了一种使用Ensemble Learning和SHAP的先进机器学习模型.
- SHAP值被嵌入到统一的多重近似和投影 (UMAP) 空间中,用于监督的集群.
- 隐藏子组被推断为对死亡风险的可变贡献提供细粒度的见解.
主要成果:
- 基于LightGBM的系统表现优于传统的得分,仅使用SHAP分析识别的8个关键变量.
- 这些选定的变量有效地解决了肝功能障碍和瘤进展的双重风险挑战.
- 监督集群确定了7个不同的子组,其中增加了死亡风险水平和详细的风险因素贡献.
结论:
- 拟议的数据驱动框架为肝脏功能障碍HCC患者的双重风险挑战提供了一个综合的方法.
- 与现有研究相比,这种方法提供了一个更精确的风险评估工具.
- 这些发现可以指导治疗决策,并改善患者进展监测.
