使用可解释的人工智能预测表面食道癌症中非治愈性内镜下粘膜切割风险的大小
Zi-Chen Luo1, Hai-Yang Guo1, Xiao Tang2
1Department of Gastroenterology, Affiliated Hospital of North Sichuan Medical College, Nanchong 637000, Sichuan Province, China.
World journal of gastrointestinal oncology
|February 16, 2026
概括
一个新的机器学习模型准确地预测了表面食道癌的非治愈性内镜下粘膜剖析 (ESD) 的风险. 该工具有助于在手术前识别高风险患者,改善治疗计划和患者的治疗结果.
科学领域:
- 胃肠病学和内镜检查
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
背景情况:
- 内镜下粘膜切割 (ESD) 对表面食道癌至关重要.
- 在ESD中,非治愈性切除与由于残留瘤导致的预后不佳有关.
- 需要有效的手术前工具来预测非治疗性ESD切除.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于预测非治愈性内镜下粘膜切除 (ESD) 切除.
- 增强进行ESD的表面食道癌患者的手术前风险评估.
- 为ESD程序中的临床决策提供可靠的工具.
主要方法:
- 一项多中心回顾性研究,涉及366名患者 (培训) 和129名患者 (验证).
- 使用最小绝对收缩和选择运算符 (LASSO) 和多变量逻辑回归来选择预测因素.
- 开发和比较9个ML分类器,包括后勤回归,LightGBM和XGBoost,与SHapley添加式扩展 (SHAP) 进行风险可视化.
主要成果:
- 确定了关键预测因素:食道狭窄,CT定义的壁厚度> 7毫米,入侵深度> SM1 (EOM> SM1),多重病变,周长比率≥ 3/4,病理类型.
- 后勤回归模型实现了高AUC:0.887 (培训),0.872 (内部验证) 和0.849 (外部验证).
- SHAP分析强调CT定义的壁厚度>7毫米和EOM>SM1作为主要的风险因素.
结论:
- 开发的后勤回归模型准确地识别了患有非治愈性ESD切除高风险的患者.
- 该模型,增强了SHAP解释性,为手术前决策提供了一个透明和可靠的工具.
- 这种预测工具可以帮助临床医生优化表面食道癌的治疗策略.
