مدل تحلیل بقا مبتنی بر یادگیری ماشین قابل تفسیر برای پیش‌بینی عود سرطان پستان

مدل تحلیل بقا مبتنی بر یادگیری ماشین قابل تفسیر برای پیش‌بینی عود سرطان پستان

منیره شاهمرادی1

1) گروه آمار، دانشگاه یاسوج، یاسوج، ایران.

کد IOI مقاله : AADG-ABZAHB
محل انتشار : دومین کنفرانس بین المللی رویکردهای نوین در مهندسی و علوم پایه(icnabs.ir/2nd)
چکیده :
    سرطان سینه می‌تواند برگردد. این یک کار بزرگ و دشوار برای پزشکان است. علائم سریع و درست به آنها کمک می‌کند تا اقدام کنند و ممکن است به زندگی افراد بیشتری کمک کند. روش‌های معمول برای بررسی اینکه چه کسی ممکن است دوباره بیمار شود، مانند مدل کاکس، با پیوندهای سخت در داده‌ها خوب نیستند. اعتماد یا استفاده از این روش‌ها نیز برای پزشکان دشوار است، زیرا واضح نیستند. ما تصمیم گرفتیم یک روش یادگیری ماشینی واضح برای بررسی اینکه چه کسی ممکن است دوباره به سرطان سینه مبتلا شود، ایجاد و بررسی کنیم. ما از انواع مختلفی از داده‌ها، مانند یادداشت‌های سلامتی، عکس‌های بافت و اطلاعات ژن استفاده کردیم. ما داده‌ها را از حدود ۲۰۰۰ نفر پیدا کردیم. ما گروه را به ۷۰٪ برای آموزش، ۱۵٪ برای بررسی و ۱۵٪ برای آزمایش تقسیم کردیم. داده‌ها برای مقابله با اطلاعات از دست رفته، ترکیب علائم از همه قسمت‌ها و انتخاب بهترین‌ها برای استفاده اصلاح شدند. ما این کار را با روشی انجام دادیم که به دنبال علائم برتر می‌گردد، که توسط SHAP روشن شده است. مدل ما از DeepSurv با بخش‌هایی استفاده کرد که نشان می‌دهد کدام علائم اهمیت بیشتری دارند. همچنین از SHAP برای نشان دادن امتیازها هم برای همه و هم برای هر مورد استفاده کرد. ما بررسی کردیم که مدل چقدر با شاخص C، امتیاز Brier و خطوط آزمایش در طول زمان خوب کار می‌کند. همچنین از پزشکان برتر نظرشان را پرسیدیم. این مدل شاخص C برابر با 0.81 را به دست آورد. این بهتر از مدل Cox است که 0.75 را به دست آورد. این مدل برای بازه‌های زمانی 1، 3 و 5 ساله خوب عمل کرد. نشانه‌های اصلی که خطر را نشان می‌دادند، مواردی مانند میانگین توده، در صورت برخورد با گره‌ها، تغییرات HER2، TP53 و ظاهر هسته سلول بودند. پزشکان گفتند که این نشانه‌ها منطقی هستند و به آنها کمک کرد تا به این ابزار اعتماد کنند. این به ما می‌گوید که ML شفاف می‌تواند هم نمرات بالایی داشته باشد و هم برای استفاده شفاف باشد. این به ما اجازه می‌دهد خطرات را به خوبی تقسیم کنیم و به پزشکان کمک می‌کند تا به آنچه ابزار نشان می‌دهد اعتماد کنند. این روش‌های جدید با ML خوب و شفاف می‌توانند با کار پزشک مطابقت داشته باشند و به تدوین برنامه‌های بسیار بهتر کمک کنند. با گذشت زمان، این ممکن است بازگشت سرطان سینه را کاهش دهد.

کلمات کلیدی : پیش‌بینی عود سرطان سینه تحلیل بقا یادگیری ماشین قابل توضیح ادغام داده‌های چندوجهی تفسیرپذیری بالینی