Объяснимые модели машинного обучения для более глубокого понимания решения о лечении локализованного рака простаты

Научные отчеты, том 13, Номер статьи: 11532 (2023) Цитировать эту статью

390 Доступов

1 Альтметрика

Подробности о метриках

Хотя существует несколько средств принятия решений по лечению локализованного рака предстательной железы (РПЖ), существуют ограничения в последовательности и достоверности предоставляемой информации. Мы стремились лучше понять процесс принятия решения о лечении и разработать модель прогнозирования решений с учетом онкологических, демографических, социально-экономических и географических факторов. Были включены мужчины, которым впервые был поставлен диагноз локализованного РПЖ в период с 2010 по 2015 год из базы данных наблюдения, эпидемиологии и конечных результатов. Простата с бдительным ожиданием (n = 255 837). Мы разработали две модели прогнозирования: (1) активное наблюдение/бдительное ожидание (AS/WW), радикальную простатэктомию (РП) и прогнозирование решения о лучевой терапии (ЛТ) во всей когорте. (2) Прогнозирование решений AS/WW в когорте низкого риска. Дискриминацию модели оценивали с помощью мультиклассовой площади под кривой (AUC). Для объяснения результатов прогнозирования модели использовалось правдоподобное значение аддитивного объяснения Шепли. Онкологические переменные больше всего влияли на решения о RP, тогда как на RT сильно влияли географические факторы. График зависимости отображал взаимодействие функций при принятии решения о лечении. Модель прогнозирования решений достигла общей мультиклассовой AUC 0,77, тогда как для модели с низким риском было подтверждено значение 0,74. Используя большую популяционную реальную базу данных, мы разгадали сложный процесс принятия решений и визуализировали нелинейные взаимодействия функций в локализованном PCa.

Составляя более 75% впервые диагностированных мужчин с раком предстательной железы (РПЖ)1, локализованный РПЖ демонстрирует значительную межопухолевую гетерогенность и разнообразие групп риска2; таким образом, в настоящее время предлагаются различные варианты лечения без четких критериев принятия решения.

Фактически, ни один из возможных методов лечения, таких как наблюдение (активное наблюдение (АС)/бдительное ожидание (WW)), радикальная простатэктомия (РП) или лучевая терапия (ЛТ), не доказал свою эффективность в борьбе с раком при локализованном раке. заболевание3. Таким образом, первоначальное решение о лечении часто основывается на стратификации риска РПЖ пациента и предпочтениях пациента и врача4,5. Однако в реальных условиях принятие решений представляет собой сложный процесс, на который влияют не только характеристики рака, но и различные социально-экономические факторы на уровне пациента, штата/округа и социально-экономические факторы6. Таким образом, как пациентам, так и врачам крайне необходим комплексный подход. Для решения этой проблемы существует несколько средств принятия решений (DA) для пациентов с локализованным РПЖ7. Однако между этими средствами принятия решений и их характеристиками отсутствует единообразие8.

Объяснимая модель машинного обучения дает преимущества за счет более глубокого понимания внутренних процессов, в то время как сама модель обучает или принимает решения и определяет причинно-следственные связи внутри входных и выходных данных системы9. В этом исследовании мы освещаем сложный процесс принятия решения о лечении локализованного РПЖ с использованием простаты наблюдения, эпидемиологии и конечных результатов (SEER) с набором данных бдительного ожидания (SEER/WW) с помощью объяснимой модели машинного обучения. Используя графики взаимодействия с двумя переменными, нашей основной целью было получить более глубокое понимание важных особенностей, связанных с каждым методом лечения. Нашей вторичной целью было разработать модель прогнозирования решения о лечении с учетом общих особенностей, включая онкологические, географические (данные на уровне округа), демографические и социально-экономические факторы, которые были интегрированы в веб-платформу для использования в повседневной клинической практике.

Мы выявили 255 837 мужчин с впервые диагностированным локализованным РПЖ, которые соответствовали критериям включения и исключения (дополнительный рисунок 1). Среди них 26 389 (10,3%) прошли АС/WW, 86 714 (33,9%) прошли РП, 76 919 (30,8%) прошли ЛТ и 63 815 (24,9%) прошли другие/неизвестные методы лечения, включая андрогендепривационную терапию (АДТ), комбинированную терапию. АДТ, ЛТ и т. д. В когортную модель низкого риска (пациенты с клинической Т стадией Т1с и Т2а, 1-й группой по шкале Глисона и ПСА < 10 нг/мл, возраст < 80 лет) было включено 79 633 пациента. Среди них 17 553 (22%) прошли АС/WW, а 62 080 (78%) прошли другое лечение, такое как андрогенная депривационная терапия или фокальная терапия.