基于可解释性机器学习的胰腺导管腺癌术后极早期肝转移预测模型

摘要

目的 通过机器学习技术，利用胰腺导管腺癌根治术后患者的临床数据，构建一款预测术后6个月内发生肝转移的风险预测模型。方法 收集2018年1月至2024年6月在新疆医科大学第一附属医院接受胰腺癌根治术的患者临床数据，按照7∶3随机划分为训练集和测试集。通过ROC曲线下面积、精确率-召回率曲线下面积等指标来评估模型性能，使用SHAP方法确定特征重要性并对最佳模型进解释。结果 共入组351例患者，6个月内发生肝转移的患者51例，占比14.53%。经过特征筛选后将6个变量用于建立模型，XGBoost模型表现最佳，其在测试集队列中的AUC为0.883(95%CI:0.774～0.965),平均精准度为0.78。SHAP算法表明，术后是否化疗、分化程度、T分期、脉管侵犯、N分期、肝动脉/门静脉侵犯是影响模型预测的重要因素。结论 利用临床数据开发了可解释的机器学习模型，利用其在处理多维度临床数据时具有更高的敏感性和准确性，为胰腺导管腺癌患者术后极早期肝转移的风险评估提供了新的工具，为临床医师提供了精确的决策支持。

关键词

机器学习 / 胰腺导管腺癌 / 肝转移