开发和验证一个可解释的机器学习模型,用于术后放射治疗决策,在新辅助化疗后的乳腺癌:一个现实世界的研究

科学领域:

• 在瘤学瘤学.
• 机器学习在医学中的应用
• 放射治疗研究 放射治疗研究

背景情况:

• 在新辅助化疗 (NAC) 后发现患有病理结节阴性 (ypN0) 状态的乳腺癌患者,他们受益于术后放射治疗 (PORT) 是具有挑战性的.
• 准确的风险分层对于优化这种患者亚群的治疗和监测策略至关重要.

研究的目的:

• 开发和验证可解释的机器学习 (ML) 模型,用于预测 ypN0 乳腺癌患者治疗 PORT. 的复发风险.
• 为了确定影响复发风险的关键预测因素,在这个统一处理的队列中.

主要方法:

• 对1450名接受NAC,彻底手术 (ypN0) 和PORT的乳腺癌患者的回顾性分析.
• 使用LASSO回归,步骤后勤回归和Boruta算法进行特征选择,保留16个关键变量.
• 开发和评估十个ML模型,选择了梯度增强机 (GBM) 以其卓越的性能 (AUC 0.945) 和通过SHAP分析的可解释性.

主要成果:

• 在分层复发风险方面,GBM模型实现了高预测准确度 (AUC 0.945).
• SHAP分析确定了乳房重建,围神经侵袭和化疗至手术间隔是复发的最重要的预测因素.
• 这些关键特征主要表现出对复发风险的独立影响.

结论:

• 开发并验证了一种高度准确和可解释的ML模型,用于PORT后的ypN0乳腺癌患者的复发风险分层.
• 这种模型可以帮助识别高风险复发的患者,尽管标准治疗,可能指导加强监测或辅助治疗升级.
• 需要进行前性验证,以确认其在个性化放射治疗决策中的作用.