预测乳腺癌患者30天内再入院风险：一种可解释的机器学习方法

《Applied Sciences》：Predicting 30-Day Readmission Risks in Breast Cancer Patients: An Explainable Machine Learning Approach Mlondolozi Mqadi, Elliot Mbunge and Tebogo Makaba

　　

摘要：30天内再入院在肿瘤学实践中仍然是一个重大挑战，导致更高的医疗成本、治疗延迟和更差的患者预后。现有针对乳腺癌再入院的预测模型通常受限于可解释性和泛化能力不足。本研究开发并评估了一个可解释的机器学习（ML）框架，用于预测乳腺癌患者30天内的再入院，特别强调方法透明性和避免信息泄漏。分析了一个回顾性数据集，包含人口统计学、临床和治疗相关变量，如年龄、合并症负担、ECOG表现状态、基线中性粒细胞计数和剂量调整。评估了多种ML分类器——包括逻辑回归、支持向量机、朴素贝叶斯、K近邻、决策树、随机森林和XGBoost——采用重复分层交叉验证（5×10折）。使用SMOTE严格应用于训练折内解决类别不平衡，以防止数据泄漏。折外性能指标包括ROC-AUC、PR-AUC、校准曲线和Brier分数。随机森林表现出最强的判别特异性0.57±0.33，在所有模型中最高，以及优越的ROC-AUC 0.68±0.17，这对于小型不平衡数据集是合适的。为了可解释性，每个模型在全数据集上重新拟合，并使用Shapley加性解释（SHAP）、偏依赖图（PDP）和LIME进行分析。合并症负担和ECOG表现状态在所有可解释性技术中一致地成为最具影响力的预测因子，与已建立的临床证据一致。研究结果突出了将可解释ML方法应用于小型不平衡肿瘤数据集的可行性，并展示了其在乳腺癌护理中支持早期临床风险识别的潜力。

论文解读文章

研究背景与问题：
乳腺癌是全球女性最常见的恶性肿瘤，2022年全球报告约230万新发病例和67万死亡病例。尽管世界卫生组织发起了全球乳腺癌倡议（2024年），旨在到2040年实现死亡率年均降低2.5%，但进展受限于数字基础设施缺乏、公众意识不足、资金短缺和医疗系统薄弱等因素。30天内再入院被视为医疗质量和效率的关键指标，在美国医院再入院减少计划（HRRP）下，不符合国家标准的医院面临经济处罚。在乳腺癌护理中，非计划再入院与手术并发症、切缘阳性、辅助治疗延迟和社会人口差异相关。现有预测模型（如逻辑回归、树模型）存在预测性能有限和临床可解释性不足的问题，阻碍了其在实际医疗中的采用。因此，需要开发兼具预测准确性和透明性的可解释机器学习（xML）模型，以支持数据驱动的临床决策。

研究人员开展的研究：
本研究基于一个公开可用的回顾性数据集（N=100，来自GitHub），包含人口统计学和临床变量（年龄、合并症数量、ECOG表现状态、基线中性粒细胞计数、首周期化疗剂量减少、30天再入院状态）。研究人员采用重复分层交叉验证（5折×10次）评估了七种ML分类器（逻辑回归、朴素贝叶斯、支持向量机、K近邻、决策树、随机森林、XGBoost）。为解决类别高度不平衡（13%再入院），SMOTE严格应用于每个训练折内以防止数据泄漏。评估指标包括ROC-AUC、PR-AUC、Brier分数等。随后，所有模型在全数据集上重新拟合，并使用SHAP、偏依赖图（PDP）和LIME进行可解释性分析。研究发表在《Applied Sciences》。

主要关键技术方法（不超过250字）：
1. 重复分层交叉验证（5×10折）：避免单一训练-测试分割带来的不稳定估计，保持各折中少数类比例。
2. SMOTE（合成少数类过采样技术）：在每折训练集内生成合成样本，平衡类别分布，防止数据泄漏。
3. 可解释人工智能（XAI）方法：SHAP（基于博弈论的特征归因）、PDP（显示单个特征对预测概率的边际效应）、LIME（局部可解释模型，每个患者级别的解释）。
数据来源为GitHub公共库，样本量100，包含年龄、合并症负担、ECOG表现状态等变量。

研究结果：

5.1 描述性统计：
100例患者，平均年龄61.6±13.3岁，中位合并症数1.7（SD=1.34），平均ECOG表现状态1.28（SD=0.92），27%患者首周期化疗剂量减少，基线中性粒细胞平均计数3.33×10⁹/L。13%患者发生30天再入院。合并症负担和ECOG评分与再入院结局明显关联。

5.2 模型性能（重复分层交叉验证）：
- 无SMOTE时，所有模型出现“准确率悖论”：准确率0.84–0.87但特异性几乎为0%，完全无法识别再入院患者。
- 使用SMOTE后，随机森林表现最佳：准确率0.74±0.09，F1分数0.84±0.06，召回率0.80±0.09，Brier分数0.19±0.05。逻辑回归取得最高特异性0.57±0.33和ROC-AUC 0.68±0.17，但召回率较低。XGBoost召回率与随机森林相同（0.80），但校准精度稍差。

5.3 与现有文献比较：
本研究的ROC-AUC（0.68）与肿瘤特异性再入院预测研究（如Hwang等报告的0.711）一致，低于某些可能过拟合的极高AUC（如0.99）。研究填补了文献中缺乏明确可解释AI框架的空白，通过整合SHAP、PDP和LIME实现。

5.4 可解释性结果：
- SHAP：合并症负担和年龄是最具影响力的预测因子；更高的合并症计数和更差的功能状态持续增加预测的再入院概率；年龄呈非线性效应。
- PDP：合并症负担和ECOG评分在值升高时表现出再入院概率的急剧上升；较高中性粒细胞计数与较低风险相关；年龄呈现非单调曲线，提示与其他临床因素交互。
- LIME：以代表性高风险患者为例，ECOG评分和合并症负担是再入院风险的主要驱动因素；低ECOG评分可部分缓解风险但不足以抵消年龄和合并症的影响。

讨论与结论：
研究人员指出，SMOTE在交叉验证折内的应用直接解决了“准确率悖论”，使随机森林实现了平衡的召回率（0.76）和特异性（0.66）。尽管AUC值中等（0.60–0.68），与既往肿瘤再入院研究一致，但本研究应被视为概念验证，展示了可解释ML在小样本临床数据集中的应用可行性。SHAP、PDP和LIME的一致性证据（合并症负担和ECOG表现状态为主导预测因子）加强了模型临床相关性的信心。局限性包括：样本量小（N=100）限制泛化能力；SMOTE不能增加真实临床变异，仍存在过拟合风险；缺乏外部验证。未来工作需采用多机构大样本数据集、纳入更多预测因子（治疗依从性、社会经济因素等）、进行前瞻性验证。

结论：研究表明，结合XAI的可解释ML模型能为乳腺癌患者提供临床有意义的30天再入院预测。通过SMOTE和重复分层交叉验证，逻辑回归的特异性从0%提升至57%，实现了均衡的预测性能（准确率64%，F1=0.76）。可解释性分析一致识别ECOG表现状态和合并症负担为最具影响力的预测因子，LIME进一步展示了透明的患者级别洞察。本研究提出了一个验证性的、可解释的ML框架，将预测性能与临床透明度相结合，有望改善早期风险识别、个性化出院后护理并减少可预防的肿瘤再入院。