换一批SMI-SWE多模态超声联合可解释机器学习模型在中晚期肝癌TACE-RFA术后复发预测中的应用
Application of an explainable multimodal SMI-SWE ultrasound-based machine learning model in predicting recurrence after TACE-RFA for intermediate to advanced liver cancer
摘要背景与目的:中晚期肝癌患者接受经导管动脉化疗栓塞(TACE)联合射频消融(RFA)序贯治疗后复发率仍较高,术前缺乏可靠的风险分层工具.本研究基于超微血管成像(SMI)与剪切波弹性成像(SWE)构建多模态超声联合机器学习模型,并结合SHAP算法进行可解释性分析,旨在预测中晚期肝癌患者TACE-RFA序贯治疗后的复发风险.方法:回顾性纳入2022年6月—2024年6月215例BCLC B/C期肝癌患者,按7∶3比例分为训练集(n=150)与测试集(n=65).收集临床资料、生化指标及SMI、SWE超声特征.采用随机森林、支持向量机及极限梯度提升(XGB)进行变量重要性排序,结合交集筛选及双向逐步Logistic回归确定独立预测因子.构建7种机器学习模型,通过10折交叉验证优化参数.以曲线下面积(AUC)、敏感度、特异度、Brier评分及决策曲线分析(DCA)评价模型性能,并利用Tree SHAP解释模型输出.结果:术前肿瘤最大径、甲胎蛋白(AFP)、最大弹性模量(Emax)、弹性比值(Eratio)及血管形态为独立预测因子.XGB模型在训练集与测试集中的AUC分别为0.989和0.959,Brier评分分别为0.034和0.056,DCA显示其在较宽阈值范围内具有最佳净收益.SHAP分析表明,高Eratio、高AFP、血管形态不规则及肿瘤最大径较大显著增加复发风险,而较低Emax与复发风险降低相关.结论:基于SMI-SWE多模态超声构建的XGB模型可较准确预测中晚期肝癌患者TACE-RFA序贯治疗后的复发风险,具有良好的临床应用潜力.SHAP分析增强了模型的可解释性,为术前个体化风险评估和治疗决策提供了量化依据.
更多相关知识
关键词
癌,肝细胞化学栓塞,治疗性射频消融术复发多模态超声机器学习Carcinoma,HepatocellularChemoembolization,TherapeuticRadiofrequency AblationRecurrenceMultimodal UltrasoundMachine Learning
分类号
R735.7（消化系肿瘤）
栏目名称
DOI
10.7659/j.issn.1005-6947.250439
发布时间
2026-04-22（万方平台首次上网日期，不代表论文的发表时间）
基金项目
宁夏回族自治区教育厅高等学校科学研究基金资助项目（NYG2024132）
- 浏览2
- 被引0
- 下载2
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
