可解释人工智能揭示机器人辅助与开放根治性前列腺切除术中的关键手术参数

《Scientific Reports》:Explainable artificial intelligence reveals key surgical parameters in robot-assisted and open radical prostatectomy

【字体: 大 中 小 】 时间:2026年08月27日 来源:Scientific Reports 4.9

编辑推荐:

  对根治性前列腺切除术进行术前风险分层至关重要,但预测广泛的术后结局仍然是一个重大挑战。尽管机器学习(ML)前景广阔,但“黑箱”模型限制了临床可转化性。本研究旨在利用ML预测术后参数,并采用可解释人工智能(XAI)识别其关键临床驱动因素。在一项针对326例患者(

  
对根治性前列腺切除术进行术前风险分层至关重要,但预测广泛的术后结局仍然是一个重大挑战。尽管机器学习(ML)前景广阔,但“黑箱”模型限制了临床可转化性。本研究旨在利用ML预测术后参数,并采用可解释人工智能(XAI)识别其关键临床驱动因素。在一项针对326例患者(224例机器人辅助根治性前列腺切除术[RARP],102例开放根治性前列腺切除术[ORP])的回顾性研究中,研究人员开发了十二种结局的预测模型,包括住院时间和病理ISUP分级。通过嵌套5折交叉验证评估了四种ML算法(随机森林、梯度提升、支持向量机、神经网络)。对表现最佳的模型应用了基于自定义排列的Shapley采样框架SHAP(SHapley Additive exPlanations),以量化术前特征的预测重要性。对于预设结局的子集,ML模型优于基线启发式方法,对术后血红蛋白(R2高达0.57)和冰冻切片决策(AUC高达0.89)的表现最强。并非所有结局都同样易于预测,这与术后恢复的异质性一致。SHAP分析揭示了一个明确的二分法:程序性参数,如导管留置时间和住院时间,几乎完全由手术方式(RARP对比ORP)预测。相反,病理结局如ISUP分级主要由术前肿瘤特征驱动。在该数据集中,术前血红蛋白被确定为术后贫血的强预测特征,其排名高于年龄等不可改变因素。可解释人工智能可以解构影响手术成功因素的复杂相互作用,为假设生成和临床路径优化提供数据驱动基础。作为一项无外部验证的单中心概念验证研究,这些发现需要在临床转化前于独立的多中心队列中进行前瞻性确认。
论文解读文章

**研究背景、问题与目的**

前列腺癌是男性最常见的恶性肿瘤,多数病例在可手术的局部阶段确诊。根治性前列腺切除术(Radical Prostatectomy, RP)是根治性治疗的核心手段,可通过传统开放手术(Open Radical Prostatectomy, ORP)或微创机器人辅助手术(Robot-Assisted Radical Prostatectomy, RARP)实施。尽管手术有效,但术后结局存在巨大差异,术前预测这些结果面临重大挑战。近年来,机器学习(Machine Learning, ML)在医学预测任务中展现出潜力,但大多数ML模型被视为“黑箱”,限制了临床可转化性。现有研究多聚焦于诊断任务,对术后结局的全面预测和可解释性探索不足。因此,本研究旨在:(1)利用监督机器学习从常规术前数据中预测术中事件、术后结局和病理发现;(2)通过可解释人工智能(Explainable AI, XAI)方法,特别是SHAP(SHapley Additive exPlanations),量化每个输入特征的贡献,识别术后结局的关键临床驱动因素,将复杂模型预测转化为透明、可操作的临床见解。该论文发表在《Scientific Reports》。

**主要技术方法**

本研究采用回顾性队列设计,样本来源于德国波恩大学医院泌尿外科2015至2020年间接受RARP(224例)或ORP(102例)的男性患者(共326例)。主要技术方法包括:(1)数据预处理:对缺失值进行插补,剔除高缺失率或高度共线性的特征,保留神经血管束保留决策等术前特征。(2)机器学习模型构建:针对十二种术后结局(包括回归和分类任务),分别训练随机森林(Random Forest, RF)、梯度提升(Gradient Boosting, GB)、支持向量机(Support Vector Machine, SVM)和神经网络(Neural Network, NN)四种算法,通过嵌套5折交叉验证进行超参数调优和性能评估。(3)模型解释:采用基于自定义排列的Shapley采样框架SHAP,对最佳模型计算每个特征的全局平均绝对Shapley值,量化其预测重要性,并归一化为相对重要性百分比。

**研究结果**

**患者特征**:共纳入326例患者(全部男性),年龄45–83岁;RARP组224例(68.7%),ORP组102例(31.3%)。两组在BMI、初始PSA和D'Amico风险分类上匹配良好,但RARP组年龄更大(p=0.002),术前ISUP分级分布不同(p=0.006)。分析表明,D'Amico评分的复合性质可能部分补偿了ISUP分级的不平衡。

**机器学习模型的预测性能**:通过评估四种ML模型与简单启发式基线的比较,结果显示ML模型在多数任务上优于基线,但预测能力因目标参数而异。回归任务中,术后血红蛋白(postop. Hb)预测性能最强,神经网络模型的决定系数R2达0.57;住院时间预测R2达0.46;术后ISUP分级预测R2达0.37。术中液体管理和导管留置时间等预测效果有限(R2 < 0.20)。分类任务中,所有模型在预测冰冻切片决策(FS Decision)上表现稳健,准确率63–67%,远高于基线模式预测器的47%;随机森林的AUC达89.2% ± 2.9%。对于复合冰冻切片使用/结果分类(FS Result),模型准确率最高62%,较基线50%有显著提升。

**SHAP可解释性与关键预测因素识别**:SHAP分析揭示了不同结局的驱动因素差异。对于导管留置时间,手术方式(RARP)占预测重要性的78%以上;住院时间同样主要由手术方式和神经保留决策驱动。术中失血量的最重要预测因素是手术方式(49.2%),RARP与更低失血量相关。术后血红蛋白下降(Hb Drop)中,RARP仍是首要因素(31.5%),同时神经保留决策和术前Hb也起重要作用。术后ISUP分级主要由术前ISUP分级和活检Gleason评分预测,但模型整体性能(R2=0.37)表明其他参数也有贡献,其中神经保留计划的重要性(17.3%)几乎与术前ISUP分级相当。前列腺重量预测主要依赖术前MRI测量的前列腺体积(27.5%)。冰冻切片决策和复合FS结果的预测主要受神经保留决策和RARP方式影响,而非单一肿瘤风险因素。淋巴结清扫数量由手术方式(RARP,39.9%)和D'Amico风险评分及初始PSA共同决定。

**讨论与结论总结**

讨论部分指出,SHAP分析成功将靶结局分为两类:由标准化临床方案驱动的结局(如导管留置时间、住院时间、术中失血量)和由患者或肿瘤生物学决定的结局(如ISUP分级)。术前血红蛋白被识别为术后血液学结局的强可修改危险因素,其预测重要性高于年龄等不可改变因素。模型还验证了数字直肠指检(DRE)在多个结局中预测重要性低,与当前指南一致。然而,许多发现反映的是已知的组间差异或统计相关性,而非新发现或因果关系。局限性包括:单中心设计、回顾性偏倚、样本量有限、神经保留决策作为术前特征可能引入标签泄漏、以及部分结局(如手术并发症、长期功能随访)预测不佳。结论部分翻译如下:总之,本研究证明了机器学习与SHAP等可解释性方法的整合是剖析根治性前列腺切除术中决定术后结局的复杂因素交互的有力工具。本研究提供了一个方法论概念验证,展示了如何将可解释机器学习应用于常规临床数据,以生成外科肿瘤学中透明的预测性见解和临床可检验的假设。然而,作为一项无外部验证的单中心回顾性分析,这些发现应被视为假设生成,而非立即改变实践的临床证据。特别是通过SHAP特征重要性识别的预测关联(如术前血红蛋白水平在术后血液学结局中的作用)代表了该数据集中的相关性,未经前瞻性验证不能作为循证临床指导。在考虑转化为临床决策支持应用之前,需在更大、更同质的队列中进行未来验证。研究人员强调,该单中心回顾性概念验证研究的发现不应在没有独立、更大、更同质队列的前瞻性验证的情况下用于指导临床决策。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号