基于机器学习模型的肺癌术后远程转移预测的比较研究

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 肺癌是全球癌症死亡的主要原因之一.
• 手术后远程转移显著影响患者的预后和存活率.
• 及时预测转移潜力对于有效的治疗策略至关重要.

研究的目的:

• 为了比较9个机器学习 (ML) 模型对术后肺癌转移的预测性能.
• 为了提高模型的可解释性,使用SHAP (Shapley添加式解释).
• 开发一个透明的风险分层工具,用于术后肺癌管理.

主要方法:

• 追溯分析了3,120名患有I-III期肺癌的患者的临床数据.
• 9个ML模型的开发和评估,包括XGBoost,RF,LightGBM,AdaBoost,DT,GBDT,GNB,CNB和MLP.
• 使用准确度,精度,回忆,F1得分,ROC-AUC,PR-AUC,校准和决策曲线分析 (DCA) 的性能评估.

主要成果:

• 渐变增强决策树 (GBDT) 实现了最高的预测性能,AUC为0.810.
• 通过SHAP分析确定的关键预测因素包括辅助化疗,辅助放射治疗,病理N阶段,年龄,BMI和手术前的中性粒细胞计数.
• 开发的模型显示了临床整合的潜力,以帮助实时决策.

结论:

• 在手术后的肺癌远程转移方面,GBDT表现出卓越的预测能力.
• SHAP分析为有影响力的预测因素提供了宝贵的见解,支持个性化治疗策略.
• 该研究为精度管理提供了经过验证的框架,在临床部署之前需要进行外部验证.