Explicabilidade do aprendizado de máquina na sobrevivência do câncer de nasofaringe usando LIME e SHAP

Scientific Reports volume 13, Número do artigo: 8984 (2023) Citar este artigo

274 acessos

3 Altmétrica

Detalhes das métricas

O câncer de nasofaringe (NPC) tem uma histopatologia única em comparação com outros cânceres de cabeça e pescoço. Pacientes individuais com NPC podem atingir resultados diferentes. Este estudo visa construir um sistema de prognóstico combinando um modelo de aprendizado de máquina (ML) altamente preciso com inteligência artificial explicável para estratificar pacientes NPC em grupos de baixa e alta chance de sobrevivência. A explicabilidade é fornecida usando técnicas de explicações agnósticas de modelos interpretáveis ​​locais (LIME) e técnicas de explicações aditivas SHApley (SHAP). Um total de 1.094 pacientes NPC foram recuperados do banco de dados de Vigilância, Epidemiologia e Resultados Finais (SEER) para treinamento do modelo e validação interna. Combinamos cinco algoritmos de ML diferentes para formar um algoritmo empilhado exclusivamente. O desempenho preditivo do algoritmo empilhado foi comparado com um algoritmo de última geração - aumento de gradiente extremo (XGBoost) para estratificar os pacientes NPC em grupos de chance de sobrevivência. Validamos nosso modelo com validação temporal (n = 547) e validação geográfica externa (Helsinki University Hospital NPC coorte, n = 60). O modelo de ML preditivo empilhado desenvolvido mostrou uma precisão de 85,9%, enquanto o XGBoost teve 84,5% após as fases de treinamento e teste. Isso demonstrou que tanto o XGBoost quanto o modelo empilhado apresentaram desempenho comparável. A validação geográfica externa do modelo XGBoost mostrou um índice c de 0,74, precisão de 76,7% e área sob a curva de 0,76. A técnica SHAP revelou que a idade do paciente no momento do diagnóstico, estágio T, etnia, estágio M, estado civil e grau estavam entre as variáveis ​​de entrada proeminentes em ordem decrescente de significância para a sobrevida geral de pacientes com NPC. O LIME mostrou o grau de confiabilidade da previsão feita pelo modelo. Além disso, ambas as técnicas mostraram como cada característica contribuiu para a previsão feita pelo modelo. As técnicas LIME e SHAP forneceram fatores de proteção e risco personalizados para cada paciente NPC e revelaram algumas novas relações não lineares entre recursos de entrada e chance de sobrevivência. A abordagem de ML examinada mostrou a capacidade de prever a chance de sobrevida global de pacientes com NPC. Isso é importante para um planejamento de tratamento eficaz e decisões clínicas informadas. Para melhorar os resultados, incluindo a sobrevivência em NPC, ML pode ajudar no planejamento de terapia individualizada para esta população de pacientes.

O carcinoma nasofaríngeo (NPC) é um câncer incomum que apresenta epidemiologia e histopatologia distintas, diferente de outros cânceres de cabeça e pescoço1,2,3. É endêmico nas localizações geográficas do sul da China e sudeste da Ásia, onde uma quantidade significativa de tumores são carcinomas indiferenciados e não queratinizantes4,5,6. Mas em localizações geográficas não endêmicas, o NPC pode ser queratinizante ou não queratinizante6,7. Notavelmente, o NPC inicia a partir do revestimento epitelial da nasofaringe e, portanto, da parte superior da faringe8.

Recentemente, o NPC recebeu atenção significativa como uma preocupação de saúde global devido ao aumento significativo das taxas de incidência e mortalidade9. Além disso, independentemente do diagnóstico precoce, a taxa de mortalidade do NPC é consideravelmente alta, independentemente da localização geográfica – endêmica ou não endêmica10. Isso pode ser devido ao planejamento inadequado do tratamento, produzindo resultados de tratamento abaixo do ideal11. Portanto, a estimativa precisa do prognóstico de pacientes com NPC é importante para o manejo eficaz da doença, pois o aumento do número de pacientes com câncer com prognósticos ruins aumentará a carga geral de câncer na sociedade1,12.

O esquema de estadiamento tumor-nodal-metástase (TNM) continua sendo a pedra angular do prognóstico e estratificação de risco para pacientes com NPC1. No entanto, há críticas crescentes sobre o estadiamento TNM, pois pacientes no mesmo estágio podem apresentar heterogeneidade clínica significativa e resultados oncológicos únicos13. Da mesma forma, foi relatado que o título de DNA do vírus Epstein-Barr (EBV) no plasma é um biomarcador útil para pacientes com NPC14,15. No entanto, as implicações financeiras e econômicas do exame do DNA do EBV e a variabilidade interlaboratorial constituem fatores significativos que dificultam a integração desse biomarcador na prática clínica diária16. Portanto, há uma discussão em andamento sobre a incorporação de fatores prognósticos não anatômicos que reflitam o comportamento biológico do tumor, além dos parâmetros TNM para melhorar a estratificação de risco8,17. Uma abordagem potencial perspicaz para considerar outros fatores além do esquema de estadiamento TNM é o uso de aprendizado de máquina (ML), um subcampo da inteligência artificial18,19.