
-
生物通官微
陪你抓住生命科技
跳动的脉搏
一种用于在伴有心理症状的患者中区分胃癌与肠化生的机器学习模型
《Cancer Causes & Control》:A machine learning model for distinguishing gastric cancer from intestinal metaplasia in patients with psychological symptoms
【字体: 大 中 小 】 时间:2026年10月01日 来源:Cancer Causes & Control 2.2
编辑推荐:
摘要目的开发并内部评估一种可解释的机器学习模型,用于在伴有心理症状的患者中区分当前胃癌(GC)与肠上皮化生(IM)。方法本回顾性、单中心、横断面研究纳入302例伴有心理症状的患者,其中肠上皮化生(IM)185例,胃癌(GC)117例。患者被随机分为训练队列(n = 212)和
开发并内部评估一种可解释的机器学习模型,用于在伴有心理症状的患者中区分当前胃癌(GC)与肠上皮化生(IM)。
本回顾性、单中心、横断面研究纳入302例伴有心理症状的患者,其中肠上皮化生(IM)185例,胃癌(GC)117例。患者被随机分为训练队列(n = 212)和独立保留的验证队列(n = 90)。采用LASSO、Boruta和递归特征消除方法评估候选特征。在训练队列中使用嵌套交叉验证比较七种机器学习算法。最终模型在验证队列中使用区分能力、校准度、决策曲线分析和沙普利可加解释(SHAP)进行评估。
最终保留七个特征:年龄、白蛋白、性别、心理症状类型、总胆红素、吸烟状态和单核细胞计数。XGBoost获得了最高的平均外折AUC(0.839 ± 0.029),被选为最终模型。在验证队列中,XGBoost的AUC为0.793(95% CI 0.670–0.895),准确率为0.800,敏感性为0.657,特异性为0.891,F1评分为0.719。Brier评分为0.167。决策曲线分析提示潜在的临床净收益。SHAP分析显示,年龄和心理症状类型是分类的主要贡献因素。
该可解释的XGBoost模型在区分当前胃癌与肠上皮化生方面表现出中等程度的区分能力,可为临床评估提供辅助信息。该模型不应替代内镜或组织病理学诊断,在更广泛地应用于临床之前,需要进行外部多中心验证。
开发并内部评估一种可解释的机器学习模型,用于在伴有心理症状的患者中区分当前胃癌(GC)与肠上皮化生(IM)。
本回顾性、单中心、横断面研究纳入302例伴有心理症状的患者,其中肠上皮化生(IM)185例,胃癌(GC)117例。患者被随机分为训练队列(n = 212)和独立保留的验证队列(n = 90)。采用LASSO、Boruta和递归特征消除方法评估候选特征。在训练队列中使用嵌套交叉验证比较七种机器学习算法。最终模型在验证队列中使用区分能力、校准度、决策曲线分析和沙普利可加解释(SHAP)进行评估。
最终保留七个特征:年龄、白蛋白、性别、心理症状类型、总胆红素、吸烟状态和单核细胞计数。XGBoost获得了最高的平均外折AUC(0.839 ± 0.029),被选为最终模型。在验证队列中,XGBoost的AUC为0.793(95% CI 0.670–0.895),准确率为0.800,敏感性为0.657,特异性为0.891,F1评分为0.719。Brier评分为0.167。决策曲线分析提示潜在的临床净收益。SHAP分析显示,年龄和心理症状类型是分类的主要贡献因素。
该可解释的XGBoost模型在区分当前胃癌与肠上皮化生方面表现出中等程度的区分能力,可为临床评估提供辅助信息。该模型不应替代内镜或组织病理学诊断,在更广泛地应用于临床之前,需要进行外部多中心验证。