一个可被SHAP解释的XGBoost模型：基于MRI的肿瘤内灌注异质性能够预测乳腺癌中HER2基因表达为阴性（zero）、低表达（low）和阳性（positive）的三种状态

《Cancer Imaging》：A SHAP-interpretable XGBoost model: MRI-based intratumoral perfusion heterogeneity predicts HER2-zero, -low, and -positive ternary expression status in breast cancer

基于MRI灌注异质性的HER2状态预测研究，通过k-means聚类划分肿瘤亚区并提取 radiomics 特征，构建XGBoost模型（Habitat模型），在三个中心验证模型AUC达0.865-0.902，SHAP分析揭示亚区特异性特征贡献。

　　

摘要

目的

本研究旨在利用MRI灌注异质性预测乳腺癌患者的HER2状态（HER2阴性、HER2低表达和HER2阳性）。采用Shapley Additive Explanations (SHAP)方法来解释机器学习模型的输出结果，这对于指导新型抗体药物偶联物（ADCs）的治疗至关重要。

材料与方法

这项回顾性研究包括了来自三个中心的912名女性患者（中心A[n=570]作为训练队列，中心B[n=173]和中心C[n=169]作为外部测试队列），她们在2018年4月至2024年3月期间接受了MRI检查。通过k-means聚类方法将MRI灌注参数（洗入、洗出、洗出比率）的体素向量划分为不同的亚区域。提取了放射组学特征，并利用包含这些特征的XGBoost模型构建了Habitat模型。应用SHAP方法来评估各个特征对模型预测的贡献及其重要性。

结果

共识别出4个肿瘤灌注模式亚区域，分别包含8个、8个和10个放射组学特征。在中心A，Habitat模型对HER2阴性患者的预测准确率为0.902，对HER2低表达患者的预测准确率为0.877，对HER2阳性患者的预测准确率为0.880。在外部测试队列中，中心B的准确率分别为0.873、0.845和0.865，中心C的准确率分别为0.865、0.844和0.878。SHAP分析揭示了在四个灌注衍生亚区域内，最能区分HER2阴性、HER2低表达和HER2阳性肿瘤的放射组学特征。全局SHAP结果确定了对模型决策影响最大的亚区域特异性特征，而局部SHAP解释则阐明了各个特征模式如何影响特定患者的预测结果。

结论

Habitat模型能够准确预测HER2阴性、HER2低表达和HER2阳性的表达状态，而SHAP方法明确了亚区域衍生放射组学特征的贡献，提高了预测框架的整体可解释性和临床透明度。

临床试验编号

不适用。