早期宫颈癌保留生育功能治疗后复发风险的可解释机器学习预测模型的开发与验证

摘要

目的:筛选早期宫颈癌保留生育功能治疗(FST)后复发影响因素并构建预测模型，为临床宫颈癌保育治疗的选择及术后监测提供依据。方法:回顾分析2007年4月至2023年1月就诊于山东大学齐鲁医院等4所医疗中心的210例早期宫颈癌患者的临床资料，包括人口统计学特征、生育史、手术史、临床症状及随访结局等。预处理后采用随机森林(RF)、支持向量机(SVM)、K近邻(KNN)、逻辑回归(LR)及森林之神(Boruta)等5种机器学习(ML)算法对21项影响因素进行变量筛选。采用15种ML算法构建预测模型，通过比较评估及外部验证确定最优预测模型。基于SHAP方法构建模型解释器。结果:基于过采样的重采样数据受试者工作特征曲线下面积(AUC)最大，5种ML方法筛选的5项交集变量为FIGO 2018分期、肿瘤直径、病理类型、HPV16与否及是否保留子宫动脉宫体支情况。训练集中，各模型的AUC均大于0.70,其中套索回归(LASSO)模型AUC最小为0.748(95%CI:0.723～0.773)。CATBoost模型的AUC为0.932(95%CI:0.905～0.959)。Delong检验显示其与LASSO模型相比，AUC差异有统计学意义(P<0.05)。CATBoost模型的准确度为0.808,灵敏度为0.733,特异度为0.884,最大有效阈值概率达到0.79,残差均方根值(RMSR)小于0.5。验证集中，CATBoost模型的AUC为0.896(95%CI:0.836～0.957),略低于AUC最大值的偏最小二乘判别分析模型(PLS＿DA)的0.900(95%CI:0.840～0.960)。Bootstrap检验表明，CATBoost与自适应提升(AdaBoost.M1)及RF模型差异有统计学意义(P<0.05),其准确度(0.777)和F1分数(0.753)均高于其他12个模型。阴性预测值(NPV)为0.842,略低于PLS＿DA,优于其他13个模型。临床净效益分析表明，CATBoost的最大净效益为0.495,其RMSR低于其残差上四分位数，与线性判别分析(LDA)、KNN及LASSO相似，表明其在外部验证集中预测早期宫颈癌患者接受FST后复发风险的稳定性更高。结论:基于多种ML筛选预测变量并开发了一项具备可解释性的预测模型，能够根据输入的临床资料对早期宫颈癌患者接受FST后复发风险进行个体化预测。

关键词

早期宫颈癌 / 保留生育功能治疗 / 复发 / 机器学习 / 预测模型 / 可视化解释