可解释的机器学习模型对食管异物患者发生穿孔风险的预测价值

doi:10.3877/cma.j.issn.1674-6880.2022.06.005

目的

利用可解释的人工智能方法研制一种算法，用于预测食管异物患者发生穿孔的风险。

方法

收集浙江大学医学院附属第一医院2013年1月至2018年6月期间食管异物患者的临床数据。将427例食管异物患者分为训练组（298例）和验证组（129例），使用随机森林（RF）进行特征降维。使用7种机器学习方法来建立模型，包括极端梯度提升法（XGBoost）、RF、Logistic回归（LR）、支持向量机（SVM）、K近邻（KNN）、决策树（DT）和贝叶斯优化后的极端梯度提升法（BSXGBoost）。根据曲线下面积（AUC）选择最佳模型。使用决策曲线评估临床收益。采用沙普利加和解释（SHAP）方法来解释最佳模型。

结果

BSXGBoost模型取得了最佳性能（AUC=0.837）。决策曲线显示，BSXGBoost模型的阈值概率在0.040至0.649（或0.69至0.85）时，其净收益优于其他模型。SHAP分析显示，主轴长度、嵌顿持续时间、年龄和主轴长度与小轴长度之比是对BSXGBoost模型贡献最大的4个变量。此外，SHAP力图展示构建的模型是如何将穿孔结局的个体化预测可视化的。

结论

BSXGBoost模型对预测食管异物患者发生穿孔的风险有较高价值，SHAP方法可以提高机器学习模型的可解释性，帮助临床医生更好地理解结果背后的原因。

关键词: 食管异物, 机器学习, 穿孔, 沙普利加和解释

图1 随机森林模型的重要性矩阵图注：Lmax.主轴长度；Lmin.小轴长度；该图描述了每个协变量（指标）在建立随机森林模型中的重要性

表1 训练集和验证集食管异物患者组间基线临床特征的比较[M（P₂₅，P₇₅）]

组别		例数	年龄[岁， ± s或M（P₂₅，P₇₅）]	男/女（例）	嵌顿持续时间（h）	到门牙距离（cm）	Lmax（cm）	Lmin（cm）	Lmax/Lmin	纺锤形[（例）%]
训练集
	穿孔组	60	63 ± 16	32/28	24.0（4.8，48.0）	20（17，24）	26（20，30）	6（4，9）	3.9（2.3，6.0）	18（30.00）
	无穿孔组	238	51 ± 17^a	94/144	4.0（2.0，12.0）^a	19（16，23）	20（16，25）^a	8（4，15）	2.6（1.5，4.7）^a	33（13.87）^a
验证集
	穿孔组	26	62（53，70）	12/14	24.0（7.5，46.0）	20（16，24）	26（23，30）	5（3，12）	4.8（3.1，8.3）	3（11.54）
	无穿孔组	103	46（35，60）^a	45/58	4.0（2.0，12.0）^a	19（16，22）	19（16，24）^a	6（3，15）	2.8（1.4，4.2）^a	12（11.65）

表1 训练集和验证集食管异物患者组间基线临床特征的比较[M（P₂₅，P₇₅）]

组别		例数	年龄[岁， ± s或M（P₂₅，P₇₅）]	男/女（例）	嵌顿持续时间（h）	到门牙距离（cm）	Lmax（cm）	Lmin（cm）	Lmax/Lmin	纺锤形[（例）%]
训练集
	穿孔组	60	63 ± 16	32/28	24.0（4.8，48.0）	20（17，24）	26（20，30）	6（4，9）	3.9（2.3，6.0）	18（30.00）
	无穿孔组	238	51 ± 17^a	94/144	4.0（2.0，12.0）^a	19（16，23）	20（16，25）^a	8（4，15）	2.6（1.5，4.7）^a	33（13.87）^a
验证集
	穿孔组	26	62（53，70）	12/14	24.0（7.5，46.0）	20（16，24）	26（23，30）	5（3，12）	4.8（3.1，8.3）	3（11.54）
	无穿孔组	103	46（35，60）^a	45/58	4.0（2.0，12.0）^a	19（16，22）	19（16，24）^a	6（3，15）	2.8（1.4，4.2）^a	12（11.65）

图2 基于ROC曲线对7种机器学习算法的评价注：ROC.受试者工作特征；RF.随机森林；SVM.支持向量机；DT.决策树；KNN. K近邻；LR. Logistic回归；XGBoost.极端梯度提升法；BSXGBoost.贝叶斯优化后的极端梯度提升法

图3 7个模型的决策曲线分析注：BSXGBoost.贝叶斯优化后的极端梯度提升法；DT.决策树；LR. Logistic回归；RF.随机森林；KNN. K近邻；SVM.支持向量机；XGBoost.极端梯度提升法；该图绘制了不同阈值概率下的净收益

图4 以平均绝对SHAP值来衡量SHAP特征的重要性注：SHAP.沙普利加和解释；Lmax.主轴长度；Lmin.小轴长度

图5 BSXGBoost模型的7个特征SHAP总结图注：BSXGBoost.贝叶斯优化后的极端梯度提升法；SHAP.沙普利加和解释；Lmax.主轴长度；Lmin.小轴长度；一个特征的SHAP值越高，发生不良事件的概率就越高；为每个患者的每个特征归属值创建一个点（即在每一个特征的直线上为患者分配一个点），这些点根据患者的特征值进行着色，并垂直累积以描述密度；红色代表较高的特征值；蓝色代表较低的特征值

图6 采用随机选择的有穿孔样本解释模型预测结果的力图注：Lmax.主轴长度；Lmin.小轴长度；X轴上的数字为SHAP值，蓝色代表该特征对预测有负向影响（箭头朝左，SHAP值减少），红色代表该特征对预测有正向影响（箭头朝右，SHAP值增加）；该病例主轴长度为45 cm产生的正向影响最大，嵌塞持续时间为6 h会产生负向影响，最终得到该样本的SHAP值是-0.31

1	Ruan WS, Li YN, Feng MX, et al. Retrospective observational analysis of esophageal foreign bodies: a novel characterization based on shape[J]. Sci Rep, 2020, 10 (1): 4273.
2	Long B, Koyfman A, Gottlieb M. Esophageal foreign bodies and obstruction in the emergency department setting: an evidence-based review[J]. J Emerg Med, 2019, 56 (5): 499-511.
3	Ruan WS, Lu YQ. The life-saving emergency thoracic endovascular aorta repair management on suspected aortoesophageal foreign body injury[J]. World J Emerg Med, 2020, 11 (3): 152-156.
4	Lu YQ, Yao F, Shang AD, et al. Pseudoaneurysm of the aortic arch: a rare case report of pulmonary cancer complication[J]. Medicine (Baltimore), 2016, 95 (31): e4457.
5	Peng A, Li Y, Xiao Z, et al. Study of clinical treatment of esophageal foreign body-induced esophageal perforation with lethal complications[J]. Eur Arch Otorhinolaryngol, 2012, 269 (9): 2027-2036.
6	Shaker H, Elsayed H, Whittle I, et al. The influence of the 'golden 24-h rule' on the prognosis of oesophageal perforation in the modern era[J]. Eur J Cardiothorac Surg, 2010, 38 (2): 216-222.
7	Zhao XH, Lu YQ. Multiple embolisms resulted from a huge fishbone piercing the left atrium[J]. Intensive Care Med, 2014, 40 (4): 621-622.
8	Luo CF, Xu J, Lu YQ. Hepatic abscess resulted from a toothpick piercing the gastric wall into the liver[J]. Hepatobiliary Pancreat Dis Int, 2020, 19 (5): 502-504.
9	中国企业管理研究会公共卫生与医疗健康管理研究院，浙江长三角健康科技研究院老年病急救技术研究部，浙江省增龄与理化损伤性疾病诊治研究重点实验室，等.成人食管异物急诊处置专家共识（2020版）[J/CD].中华危重症医学杂志（电子版），2020，13（6）：446-452.
10	Aiolfi A, Ferrari D, Riva CG, et al. Esophageal foreign bodies in adults: systematic review of the literature[J]. Scand J Gastroenterol, 2018, 53 (10-11): 1171-1178.
11	Benito Navarro JR, del Cuvillo Bernal A, Porras Alonso E. Esophageal foreign bodies. Our ten years of experience[J]. Acta Otorrinolaringol Esp, 2003, 54 (4): 281-285.
12	Panda NK, Sastry KV, Panda NB, et al. Management of sharp esophageal foreign bodies in young children: a cause for worry[J]. Int J Pediatr Otorhinolaryngol, 2002, 64 (3): 243-246.
13	Li J, Liu S, Hu Y, et al. Predicting mortality in intensive care unit patients with heart failure using an interpretable machine learning model: retrospective cohort study[J]. J Med Internet Res, 2022, 24 (8): e38082.
14	Dong Z, Wang Q, Ke Y, et al. Prediction of 3-year risk of diabetic kidney disease using machine learning based on electronic medical records[J]. J Transl Med, 2022, 20 (1): 143.
15	Fahmy AS, Csecs I, Arafati A, et al. An explainable machine learning approach reveals prognostic significance of right ventricular dysfunction in nonischemic cardiomyopathy[J]. JACC Cardiovasc Imaging, 2022, 15 (5): 766-779.
16	Birk M, Bauerfeind P, Deprez PH, et al. Removal of foreign bodies in the upper gastrointestinal tract in adults: European Society of Gastrointestinal Endoscopy (ESGE) clinical guideline[J]. Endoscopy, 2016, 48 (5): 489-496.
17	Liu YC, Zhou SH, Ling L. Value of helical computed tomography in the early diagnosis of esophageal foreign bodies in adults[J]. Am J Emerg Med, 2013, 31 (9): 1328-1332.
18	刘萌雅，胡思洁. 794例儿童食管异物特点及并发症危险因素分析[J].中国耳鼻咽喉头颈外科，2021，28（10）：647-649，652.
19	Rybojad B, Niedzielska G, Niedzielski A, et al. Esophageal foreign bodies in pediatric patients: a thirteen-year retrospective study[J]. ScientificWorldJournal, 2012: 102642.
20	石建华.引发食管异物并发症的危险因素[J].临床耳鼻咽喉科杂志，2004，18（12）：758-759.

[1]	薛艳玲, 马小静, 谢姝瑞, 何俊, 夏娟, 何亚峰. 左心声学造影在急性心肌梗死合并室间隔穿孔中的应用价值[J/OL]. 中华医学超声杂志（电子版）, 2023, 20(10): 1036-1039.
[2]	黄璐璐, 叶萍, 韩宝三, 刘春苹. 电穿孔消融技术治疗乳腺癌的研究进展[J/OL]. 中华乳腺病杂志(电子版), 2024, 18(01): 52-56.
[3]	罗烨, 胡梦铃, 黄小凡, 林金鹏, 李竺蔓, 王少白. 支持向量机用于膝骨关节炎和韧带损伤的分类研究[J/OL]. 中华关节外科杂志(电子版), 2024, 18(02): 201-208.
[4]	李莉, 马梅, 黄欣欣, 杨丹林, 潘勉. 妊娠期糖尿病早孕期相关影响因素及基于早孕期孕妇糖脂相关生化指标与人口学资料的4种机器学习算法构建妊娠期糖尿病预测模型的临床价值[J/OL]. 中华妇幼临床医学杂志(电子版), 2024, 20(01): 105-113.
[5]	杨龙雨禾, 王跃强, 招云亮, 金溪, 卫娜, 杨智明, 张贵福. 人工智能辅助临床决策在泌尿系肿瘤的应用进展[J/OL]. 中华腔镜泌尿外科杂志(电子版), 2024, 18(02): 178-182.
[6]	黄艺承, 梁海祺, 何其焕, 韦发烨, 杨舒博, 谭舒婷, 翟高强, 程继文. 机器学习模型评估RAS亚家族基因对膀胱癌免疫治疗的作用[J/OL]. 中华腔镜泌尿外科杂志(电子版), 2024, 18(02): 131-140.
[7]	李帅, 李开南. 人工智能在骨科诊断技术中的研究进展[J/OL]. 中华老年骨科与康复电子杂志, 2024, 10(01): 46-50.
[8]	潘清, 葛慧青. 基于机械通气波形大数据的人机不同步自动监测方法[J/OL]. 中华重症医学电子杂志, 2024, 10(04): 399-403.
[9]	卢梦诗, 刘威, 马加威, 嵇丹丹, 贾璇, 詹心萍, 罗亮. 人工智能在急性呼吸窘迫综合征领域的应用进展[J/OL]. 中华重症医学电子杂志, 2024, 10(01): 66-71.
[10]	孙铭远, 褚恒, 徐海滨, 张哲. 人工智能应用于多发性肺结节诊断的研究进展[J/OL]. 中华临床医师杂志(电子版), 2024, 18(08): 785-790.
[11]	段福孝, 王鑫宇, 孙爽, 于知宇, 张成. 结直肠癌患者周围神经侵犯预测模型的建立与评价[J/OL]. 中华临床医师杂志(电子版), 2023, 17(11): 1154-1162.
[12]	郭震天, 张宗明, 赵月, 刘立民, 张翀, 刘卓, 齐晖, 田坤. 机器学习算法预测老年急性胆囊炎术后住院时间探索[J/OL]. 中华临床医师杂志(电子版), 2023, 17(09): 955-961.
[13]	许瑛杰, 朱佳, 康闽, 侯俊, 苏改秀, 李胜男, 张丹, 赖建铭. 风湿病合并消化道穿孔患儿的临床特点分析[J/OL]. 中华临床医师杂志(电子版), 2023, 17(06): 648-654.
[14]	傅新露, 李之岳, 卢丹. 妊娠合并结肠癌穿孔致脓毒症休克一例并文献复习[J/OL]. 中华产科急救电子杂志, 2024, 13(04): 227-231.
[15]	单兴华, 唐文栋, 赵仙先. 延伸导管在室间隔穿孔介入治疗的新应用一例[J/OL]. 中华心脏与心律电子杂志, 2024, 12(02): 126-128.

阅读次数

全文

摘要

选择文件类型/文献管理软件名称

选择包含的内容

Predictive value of interpretable machine learning models for the risk of perforation in patients with esophageal foreign bodies

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

Predictive value of interpretable machine learning models for the risk of perforation in patients with esophageal foreign bodies