子宫内膜癌手术后的个性化血栓栓塞风险预测：一种基于SHAP的可解释人工智能方法

《npj Digital Medicine》：Personalised thrombo-embolic risk prediction after endometrial cancer surgery: an explainable AI approach using SHAP

　　

摘要

为了解决子宫内膜癌治疗中术后下肢深静脉血栓（LEDVT）的临床问题，本研究建立了一个可解释的机器学习框架，用于个性化风险预测。我们利用来自多个中心的841名患者的围手术期数据，评估了26种机器学习算法及其结合的不同数据增强技术。支持向量机（SVM）模型被证明是最稳健的架构，通过递归特征消除方法精简为四个变量：术后D-二聚体水平、年龄、纤维蛋白原和临床分期。该模型表现出优异的区分能力，在内部验证中的曲线下面积（AUC）为0.828，在独立的外部队列中为0.819。为了弥合“黑箱”人工智能与临床信任之间的差距，我们引入了SHapley Additive exPlanations（SHAP）技术来量化各个特征的影响，揭示了诸如D-二聚体水平的临界风险阈值等非线性关联。最后，我们实现了一个基于网络的决策支持界面，提供实时、可解释的风险评估。通过结合高预测准确性和透明的决策逻辑，这种方法为识别高风险患者和优化子宫内膜癌治疗后的管理提供了精确的工具。