基于集成学习算法的肝癌术后复发预测模型构建

目的通过集成学习算法对肝癌术后患者进行复发预测,为肝癌患者的术后治疗提供指导。方法回顾性分析山西医科大学第一医院2017-01-01-2022-12-31入院接受外科手术治疗的471例肝癌患者临床资料。采用极端梯度提升(XGBoost)、随机森林(RF)模型、最小绝对值收敛和选择算子(LASSO)3种算法筛选影响因素;采用合成少数类过采样法(SMOTE)平衡数据,同时构建XGBoost分类模型,并与RF、支持向量机(SVM)和logistic回归模型进行比较;基于准确度、灵敏度、F1值和受试者工作特征曲线下面积(AUC)4个指标评价模型性能;应用沙普利加法解释(SHAP)及列线图对模型进行解释及可视化,得出相对较优的复发预测模型。结果采用RF筛选出的年龄、凝血酶原时间、肝叶位置、天冬氨酸转氨酶、脉管侵犯、血小板计数、CD10、腹水、分化程度和淋巴细胞绝对值是对肝癌术后复发影响较大的10个因素,并综合危险因素构建预测肝癌术后复发风险列线图;同时,所构建的XGBoost模型(准确度为0.905,灵敏度为0.852,F1为0.900,AUC为0.905)取得了最优的分类性能。结论本研究构建的XGBoost模型具有较好的分类性能,结合SHAP及列线图可以使模型更具解释性。此模型可以识别复发高危人群,指导临床制定个性化诊疗方案。