Исследователи разработали объяснимую модель машинного обучения для прогнозирования местных рецидивов анального рака через 3 года на основе данных проспективного мультицентрового исследования FFCD-Anabase. Модель продемонстрировала хорошую прогностическую способность с C-индексом 0,735 (95% CI 0,65-0,82) и временно-зависимым AUC через 3 года 0,755 (0,66-0,85).
В анализ были включены данные 1015 пациентов с анальным раком, получавших химиолучевую терапию в 60 французских центрах в период с января 2015 по апрель 2020 года. Первичной конечной точкой был местный рецидив через 3 года.
Для обработки данных типа «время до события» была разработана модель экстремального градиентного бустинга с расширением Accelerated Failure Time. Входные данные модели включали рутинно доступные клинические, биологические и терапевтические переменные, отобранные только на обучающей выборке.
Разработка модели включала кросс-валидацию для оптимизации гиперпараметров с последующей калибровкой для обеспечения надежных оценок вероятности. Производительность оценивалась на независимой тестовой выборке с использованием метрик дискриминации, калибровки и клинической полезности.
Модель достигла чувствительности 64% и специфичности 74% с положительной и отрицательной прогностической ценностью 39% и 89% соответственно. Общая точность составила 72% с F1-score 0,49.
Оценка калибровки проводилась с использованием Brier score (0,135) и интегрированного Brier score (0,131). Калибровочные графики продемонстрировали хорошее соответствие между предсказанными и наблюдаемыми вероятностями.
Анализ кривой принятия решений показал чистую клиническую пользу в диапазоне пороговых вероятностей с оптимальной стратификацией риска при пороге вероятности 37% для различения пациентов низкого и высокого риска. Анализ выживаемости по Каплану-Мейеру подтвердил статистически значимые различия между группами риска (p = 2,78 × 10⁻⁵).
Анализ интерпретируемости модели с использованием SHAP-значений (SHapley Additive exPlanations) выявил статус работоспособности по ВОЗ как наиболее влиятельный предиктор, за которым следуют размер опухоли и возраст пациента.
Метод SHAP позволил количественно оценить вклад каждого признака в прогноз модели, обеспечивая как глобальную важность признаков, так и объяснения прогнозов на уровне отдельных пациентов.
Разработанная модель продемонстрировала хорошую производительность на реальных клинических данных для прогнозирования риска местного рецидива анального рака через 3 года. Машинное обучение трансформирует онкологическое прогнозирование риска, обеспечивая персонализированные терапевтические стратегии.
Местный контроль опухоли остается критической конечной точкой в ведении анального рака. Объяснимость модели через SHAP-значения повышает доверие клиницистов и облегчает внедрение в клиническую практику, предоставляя понятные объяснения для каждого прогноза.