LIME 및 SHAP를 사용한 비인두암 생존의 기계 학습 설명 가능성

Scientific Reports 13권, 기사 번호: 8984(2023) 이 기사 인용

274 액세스

3 알트메트릭

측정항목 세부정보

비인두암(NPC)은 다른 두경부암에 비해 독특한 조직병리학을 가지고 있습니다. 개별 NPC 환자는 다른 결과를 얻을 수 있습니다. 본 연구는 NPC 환자를 생존 확률이 낮은 그룹과 높은 그룹으로 분류하기 위해 정확도가 높은 기계 학습 모델(ML) 모델과 설명 가능한 인공 지능을 결합하여 예후 시스템을 구축하는 것을 목표로 합니다. 설명 가능성은 LIME(Local Interpretable Model Agnostic Descriptions) 및 SHAP(SHapley Additive exPlanations) 기술을 사용하여 제공됩니다. 모델 교육 및 내부 검증을 위해 SEER(감시, 전염병학 및 최종 결과) 데이터베이스에서 총 1094명의 NPC 환자를 검색했습니다. 우리는 다섯 가지 ML 알고리즘을 결합하여 고유한 스택 알고리즘을 형성했습니다. 스택형 알고리즘의 예측 성능은 NPC 환자를 생존 가능성 그룹으로 분류하기 위해 최첨단 알고리즘인 XGBoost(Extreme Gradient Boosting)와 비교되었습니다. 우리는 시간적 검증(n = 547)과 지리적 외부 검증(헬싱키 대학 병원 NPC 코호트, n = 60)을 통해 모델을 검증했습니다. 개발된 스택 예측 ML 모델은 훈련 및 테스트 단계 후 85.9%의 정확도를 보였으며 XGBoost는 84.5%의 정확도를 보였습니다. 이는 XGBoost와 스택형 모델 모두 비슷한 성능을 보여주었다는 것을 보여줍니다. XGBoost 모델의 외부 지리 검증 결과 c-index는 0.74, 정확도는 76.7%, 곡선 아래 면적은 0.76으로 나타났습니다. SHAP 기술은 진단 당시 환자의 연령, T 단계, 인종, M 단계, 결혼 상태 및 등급이 NPC 환자의 전체 생존에 대한 중요성이 감소하는 순서로 중요한 입력 변수 중 하나임을 밝혔습니다. LIME은 모델 예측의 신뢰성 정도를 보여주었습니다. 또한 두 기술 모두 각 기능이 모델의 예측에 어떻게 기여하는지 보여주었습니다. LIME 및 SHAP 기술은 각 NPC 환자에게 개인화된 보호 및 위험 요인을 제공하고 입력 기능과 생존 기회 간의 새로운 비선형 관계를 풀어냈습니다. 조사된 ML 접근법은 NPC 환자의 전반적인 생존 가능성을 예측하는 능력을 보여주었습니다. 이는 효과적인 치료 계획 관리와 정보에 근거한 임상 결정에 중요합니다. NPC의 생존을 포함한 결과 결과를 향상시키기 위해 ML은 이 환자 집단에 대한 개별화된 치료를 계획하는 데 도움이 될 수 있습니다.

비인두암종(NPC)은 다른 두경부암과 구별되는 역학 및 조직병리학적 특징을 보이는 흔치 않은 암이다1,2,3. 이는 상당한 양의 종양이 미분화 및 비각질화 암종인 중국 남부 및 동남아시아 지역의 풍토병입니다4,5,6. 그러나 풍토병이 아닌 지리적 위치에서 NPC는 각질화되거나 비각질화될 수 있습니다6,7. 특히 NPC는 비인두의 상피 내벽과 인두의 상부에서 시작됩니다8.

최근 NPC는 발병률과 사망률이 크게 증가하여 전 세계적으로 건강 문제로 큰 주목을 받고 있습니다9. 또한, 조기 진단과 상관없이 NPC의 사망률은 풍토병이든 비지방병이든 지리적 위치에 관계없이 상당히 높습니다10. 이는 부적절한 치료 계획으로 인해 차선의 치료 결과가 나올 수 있기 때문일 수 있습니다11. 따라서 예후가 좋지 않은 암환자의 증가는 사회 전체의 암 부담을 증가시킬 것이기 때문에 효과적인 질병 관리를 위해서는 NPC 환자의 정확한 예후 예측이 중요하다1,12.

종양-결절-전이(TNM) 병기 결정 체계는 NPC 환자에 대한 예후 및 위험 계층화의 초석으로 남아 있습니다1. 그럼에도 불구하고, 동일한 병기에 있는 환자들이 상당한 임상적 이질성과 독특한 종양학적 결과를 보일 수 있기 때문에 TNM 병기 결정에 대한 비판이 커지고 있습니다13. 마찬가지로, 혈장 EBV(Epstein-Barr Virus) DNA 역가는 NPC 환자에게 유용한 바이오마커인 것으로 보고되었습니다14,15. 그러나 EBV DNA 검사와 실험실 간 변동성의 재정적, 경제적 영향은 일상적인 임상 실습에서 이 바이오마커의 통합을 방해하는 중요한 요소를 구성합니다16. 따라서 위험 계층화 개선을 위해 TNM 매개변수 외에 생물학적 종양 행동을 반영하는 비해부적 예후 인자를 통합하는 것에 관한 논의가 진행 중입니다8,17. TNM 준비 체계 외에 다른 요소를 고려하는 통찰력 있는 잠재적 접근 방식은 인공 지능의 하위 분야인 기계 학습(ML)을 사용하는 것입니다.