تحليل السرطان وتطبيقات الذكاء الإصطناعي

تمت عدة دراسات لاستخدام خوارزميات تعلم الآلة المختلفة في التوقعات لنتائج NPC. وفي هذه الدراسة، نهدف إلى استغلال أداء خمسة خوارزميات تعلم الآلة مختلفة - تسجيل الانحدار، النظرية البسيطة بايز، أقرب الجيران، آلية دعم النواة، وخوارزمية شجرة القرار لإنتاج خوارزمية تعلم الآلة فريدة واحدة تُعرف بالخوارزمية المكدسة (تعميم التراكم). بالإضافة إلى ذلك، نهدف إلى مقارنة أداء الخوارزمية المكدسة مع خوارزمية آخرى حديثة تدعى خوارزمية التحسين الشديد للتدرج (XGBoost) في توقعات نتائج البقاء على قيد الحياة لمرضى سرطان NPC. تم اختيار خوارزمية التحسين الشديد للتدرج لأنها حققت نتائج واعدة في العديد من التطبيقات السريرية. وقدمنا شرحًا وتفسيرًا للتنبؤات التي قدمتها نموذج XGBoost باستخدام تقنيات الشرح المحلي القابل للتفسيرية للنموذج الاستنباطي (LIME) والشرح الإضافي الشابل (SHAP). قد يساعد النموذج القابل للشرح والقابل للتفسير في التوقعات في تصنيف فرص البقاء على قيد الحياة الشخصية للمرضى، وبالتالي يمكن تخصيص كثافة العلاج بشكل مناسب للمريض.