预测具有转移特征的癌症患者存活率
定量方法
2025-04-10 v1 人工智能
摘要
癌症仍是全球健康面临的主要挑战和死亡原因的主要原因。本研究利用机器学习（ML）预测具有转移特征的癌症患者存活率，使用包括25,775名来自27种癌症类型的患者的基因组和临床数据构成的综合MSK-MET数据集。我们评估了五种ML模型——XGBoost、朴素贝叶斯、决策树、逻辑回归和随机森林，通过超参数调优和网格搜索。XGBoost表现最佳，受试者工作曲线下面积（AUC）为0.82。为增强模型可解释性，应用SHapley Additive exPlanations（SHAP），揭示关键预测因素包括转移部位数量、肿瘤突变负荷、基因组改变比例以及器官特异性转移。进一步的生存分析通过Kaplan-Meier曲线、比例风险模型（Cox Proportional Hazards）以及XGBoost生存分析识别出显著的患者预后指标，为临床医生提供可操作的见解。这些发现有助于实现个体化预后和治疗规划，最终改善患者护理。
关键词
引用
@article{arxiv.2504.06306,
title = {Predicting Survivability of Cancer Patients with Metastatic Patterns Using Explainable AI},
author = {Polycarp Nalela and Deepthi Rao and Praveen Rao},
journal= {arXiv preprint arXiv:2504.06306},
year = {2025}
}