原題
Hypothesis Generation via Interpretable Machine Learning: A Case Study on Risk Factors for Postradiation Therapy Lung Cancer Recurrence.
背景:解釈可能性は、特にサンプルサイズが中程度の場合、腫瘍学的転帰予測に重要である。本研究では、本質的に解釈可能なグラスボックスモデルである説明可能なブースティングマシン(EBM)を、早期肺癌の放射線治療後の再発データに対して検証した。
方法:EBMをデフォルト構成のストリップされたデータセットに適用し、特徴ランキングを単変量解析と比較し、ロジスティック回帰およびランダムフォレストに対してベンチマークした。生成された仮説を検討した。IRBの承認を得た。
結果:EBMは、単変量結果と一致して、主要な予後の特徴として原発性腫瘍サイズおよびBMIを同定し、年齢バイアスおよび人種BMI交絡の可能性を明らかにした。パフォーマンスは競争力があったが、制限されていた。
結論:EBMは小さなデータセットでの臨床的意思決定支援にはまだ適していないが、仮説生成には有用である。
Journal: Adv Radiat Oncol (CiteScore 2022: 4.5)
DOI: 10.1016/j.adro.2026.102032
PMID: 42254819
コメント