Spiegabilità dell'apprendimento automatico nella sopravvivenza del cancro rinofaringeo utilizzando LIME e SHAP

Rapporti scientifici volume 13, numero articolo: 8984 (2023) Citare questo articolo

274 accessi

3 Altmetrico

Dettagli sulle metriche

Il cancro rinofaringeo (NPC) ha un'istopatologia unica rispetto ad altri tumori della testa e del collo. I singoli pazienti NPC possono ottenere risultati diversi. Questo studio mira a costruire un sistema prognostico combinando un modello di apprendimento automatico (ML) altamente accurato con un'intelligenza artificiale spiegabile per stratificare i pazienti NPC in gruppi a bassa e alta probabilità di sopravvivenza. La spiegabilità viene fornita utilizzando le tecniche Local Interpretable Model Agnostic Explanations (LIME) e SHpley Additive exPlanations (SHAP). Un totale di 1.094 pazienti NPC sono stati recuperati dal database SEER (Surveillance, Epidemiology, and End Results) per l'addestramento del modello e la convalida interna. Abbiamo combinato cinque diversi algoritmi ML per formare un algoritmo impilato in modo univoco. Le prestazioni predittive dell'algoritmo in pila sono state confrontate con un algoritmo all'avanguardia, il potenziamento del gradiente estremo (XGBoost), per stratificare i pazienti NPC in gruppi di probabilità di sopravvivenza. Abbiamo convalidato il nostro modello con convalida temporale (n = 547) e convalida geografica esterna (coorte NPC dell'ospedale universitario di Helsinki, n = 60). Il modello ML predittivo impilato sviluppato ha mostrato un'accuratezza dell'85,9% mentre XGBoost aveva l'84,5% dopo le fasi di training e test. Ciò ha dimostrato che sia XGBoost che il modello stacked hanno mostrato prestazioni comparabili. La validazione geografica esterna del modello XGBoost ha mostrato un indice c di 0,74, una precisione del 76,7% e un'area sotto la curva di 0,76. La tecnica SHAP ha rivelato che l’età del paziente alla diagnosi, lo stadio T, l’etnia, lo stadio M, lo stato civile e il grado erano tra le principali variabili di input in ordine decrescente di significatività per la sopravvivenza globale dei pazienti NPC. LIME ha mostrato il grado di affidabilità della previsione fatta dal modello. Inoltre, entrambe le tecniche hanno mostrato come ciascuna caratteristica abbia contribuito alla previsione effettuata dal modello. Le tecniche LIME e SHAP hanno fornito fattori protettivi e di rischio personalizzati per ciascun paziente NPC e hanno svelato alcune nuove relazioni non lineari tra caratteristiche di input e possibilità di sopravvivenza. L’approccio ML esaminato ha mostrato la capacità di prevedere la possibilità di sopravvivenza globale dei pazienti NPC. Ciò è importante per un’efficace pianificazione del trattamento e per decisioni cliniche informate. Per migliorare i risultati dei risultati, inclusa la sopravvivenza nell’NPC, la ML può aiutare a pianificare una terapia individualizzata per questa popolazione di pazienti.

Il carcinoma rinofaringeo (NPC) è un tumore non comune che presenta un'epidemiologia e un'istopatologia distintive, diverse da altri tumori della testa e del collo1,2,3. È endemico nelle aree geografiche della Cina meridionale e del Sud-Est asiatico dove una quantità significativa di tumori sono carcinomi indifferenziati e non cheratinizzanti4,5,6. Ma nelle aree geografiche non endemiche, l'NPC può essere cheratinizzante o non cheratinizzante6,7. In particolare, l'NPC inizia dal rivestimento epiteliale del rinofaringe e quindi dalla parte superiore della faringe8.

Recentemente, l'NPC ha ricevuto un'attenzione significativa come problema sanitario globale a causa del suo aumento significativo di incidenza e mortalità9. Inoltre, indipendentemente dalla diagnosi precoce, il tasso di mortalità dell’NPC è considerevolmente elevato indipendentemente dalla posizione geografica: endemica o non endemica10. Ciò potrebbe essere dovuto a una pianificazione inadeguata del trattamento che produce risultati non ottimali11. Pertanto, una stima accurata della prognosi dei pazienti con NPC è importante per una gestione efficace della malattia poiché l’aumento del numero di pazienti affetti da cancro con prognosi sfavorevole aumenterà il peso complessivo del cancro nella società1,12.

Lo schema di stadiazione tumore-nodo-metastasi (TNM) rimane la pietra angolare della prognosi e della stratificazione del rischio per i pazienti con NPC1. Tuttavia, vi sono crescenti critiche riguardo alla stadiazione TNM, poiché i pazienti allo stesso stadio possono mostrare una significativa eterogeneità clinica ed esiti oncologici unici13. Allo stesso modo, è stato segnalato che il titolo plasmatico del DNA del virus Epstein-Barr (EBV) è un utile biomarcatore per i pazienti affetti da NPC14,15. Tuttavia, le implicazioni finanziarie ed economiche dell’esame del DNA dell’EBV e la variabilità interlaboratorio costituiscono fattori significativi che ostacolano l’integrazione di questo biomarcatore nella pratica clinica quotidiana16. Pertanto, è in corso una discussione riguardante l'incorporazione di fattori prognostici non anatomici che riflettano il comportamento biologico del tumore oltre ai parametri TNM per una migliore stratificazione del rischio8,17. Un potenziale approccio intuitivo per considerare altri fattori oltre allo schema di stadiazione TNM è l’uso dell’apprendimento automatico (ML), un sottocampo dell’intelligenza artificiale18,19.