可解释性机器学习模型对宫颈癌周围神经浸润的术前精准预测及临床决策支持:一项多中心回顾性研究OA

目的建立术前预测宫颈癌患者术后周围神经浸润(PNI)发生风险的机器学习模型和线上预测器,实现临床诊疗决策制定的人工智能应用。方法回顾性纳入845例于河北医科大学第四医院接受根治性手术治疗的宫颈癌患者病理资料,以7∶3的比例分为训练集(n=593)和测试集(n=252);同期纳入河北医科大学第二医院收治的223例宫颈癌患者组成外部验证集。LASSO筛选宫颈癌患者术后PNI发生相关术前特征变量,通过7种机器学习算法构建预测模型并通过ROC曲线下面积(AUC)和临床决策曲线(DCA)评价其预测效能及其在不同数据集的一致性。确定最优预测模型后进行SHAP解释,最终构建宫颈癌患者术后PNI发生风险的预测网站。结果共纳入1068例宫颈癌患者,其中192例(17.98%)患者术后病理结果呈现为PNI。LASSO回归分析共筛选:脉管间隙侵犯、间质浸润深度、淋巴结转移、阴道镜引导下穿刺活检、肿瘤最大直径、癌胚抗原、SCCAg、血小板/淋巴细胞比值、中性粒细胞/淋巴细胞比值、淋巴细胞*白蛋白/中性粒细胞比值、绝经情况、年龄和组织学类型等13个术前特征变量,7种算法对比,XGBoost模型在训练集和测试集中效能最佳,AUC分别为0.962和0.923,95%CI:0.942~0.979和0.874~0.960,敏感度为0.873、0.767,特异度为0.939、0.942。DCA分析结果同样显示XGBoost模型在较宽阈值范围内具有正向更大的净效益。基于SHAP可解释模型构建预测网站并进行外部验证,结果显示,该模型具有良好的泛化能力和预测准确性(AUC为0.924,准确率为0.933)。结论本研究开发的可解释性SHAP-XGBoost模型能够较好的预测宫颈癌患者术后周围神经浸润结局,基于该模型开发的预测网站可为宫颈癌诊疗决策制定提供辅助工具。