简要概述
肾癌在WHO全球列出的致命癌症疾病中排名第14位。显然，对肾癌的早期诊断对于准确治疗至关重要，从而可以为患者制定有效的治疗方案。本研究旨在从三个不同的数据集中获取患者信息，利用临床信息来分析疾病的预测情况。通过特征工程技术对数据集进行筛选，以标准化预测过程；同时，XAI技术将识别出所有数据集中对预测最关键的特征。在所有算法中，多层感知器（Multilevel Perceptron）在预测肾癌方面的准确性最高。SHapley加性解释（SHAPs）可以可视化这些特征及其对预测结果的影响。
摘要
肾癌是一种致命的疾病，在最新的WHO排名中属于常见的14种癌症之一。本研究的背景和目标是利用机器学习（ML）分类器来构建并验证一个能够预测肾癌的模型。研究采用了特征工程技术来优化数据集，例如生成交互特征（根据BMI、eGFR和放射学大小等值对这些特征进行分类）。二进制临床风险标志根据特征值识别临床风险，相关性剪除（correlation pruning）则用于去除各个特征之间的共同和相关性。研究收集了三个公开的数据集，并使用所提出的模型评估了七种机器学习分类器的性能。评估指标包括准确性、精确度、召回率/敏感性、特异性、F1分数以及马修斯相关系数（MCC）。此外，还使用了可解释AI方法来可视化模型各特征的重要性。
在所有算法中，多层感知器（MLP）在预测肾癌方面的表现最佳，准确率分别为98%、96%和100%；同时使用SHapley加性解释（SHAPs）来展示模型中各个特征的重要性。
