基于可解释机器学习的分阶段癌症生存预测

尽管癌症生存率在不同阶段差异巨大，但传统的生存预测模型通常在全部病阶段的示例上进行训练和评估，这种方法可能导致对性能的过度估计，并忽略阶段特定的差异。在 SEER 数据集上，我们创建并验证了用于预测结直肠癌、胃癌和肝癌分阶段生存性的可解释机器学习 (ML) 模型。虽然 ML 基于癌症生存分析长期以来是文献中的热门话题，但涉及 ML 生存模型可解释性和透明性的研究仍有限。我们采用包括 SHapley Additive exPlanations (SHAP) 和 Local Interpretable Model-agnostic Explanations (LIME) 在内的可解释性技术，使我们能够展示在传统黑箱模型中将被忽略的显著特征-癌症阶段相互作用。我们识别出特定人口学和临床变量如何在不同癌症阶段和类型下影响生存。这些发现不仅提供了透明度，也具有临床相关性，支持个体化治疗计划。通过聚焦于分阶段模型，本研究为癌症每个阶段的最重要因素提供了新见解，为支持个体化治疗计划提供了透明度和潜在临床相关性。