Preoperative prediction of acute severe cholecystitis using an attentive interpretable tabular network (TabNet)-based radiomics model and a stacking ensemble: a two-center study.

چکیده اصلی

OBJECTIVES: To develop an explainable and cost-effective predictive model for acute severe cholecystitis (ASC) utilizing stacking ensemble learning framework and SHapley Additive exPlanations (SHAP) algorithm. METHODS: This retrospective study was conducted on 492 patients with pathologically confirmed acute cholecystitis, collected from two tertiary hospitals between January 2020 and January 2023. The analysis was performed in December 2025. The patients divided into a training set (n = 413, Center 1) and an external test set (n = 79, Center 2). We developed a two-level stacking ensemble framework: level 1 employed attentive interpretable tabular network (TabNet) for CT radiomics and extreme gradient boosting (XGBoost) for clinical/imaging features as base learners; level 2 utilized logistic regression as a meta-learner to fuse predictions. The stacking model was compared with standalone TabNet and XGBoost models. RESULTS: In five-fold cross-validation, the stacking model achieved a mean area under the curve (AUC) of 0.850, surpassing standalone TabNet (0.807) and XGBoost (0.799). This superiority was maintained in the external test set (AUC: 0.827 vs. 0.753 and 0.792). In the external test set, the stacking model also yielded the lowest Brier score (0.156) and the highest clinical net benefit in decision curve analysis. SHAP analysis identified neutrophil percentage, gallbladder wall necrosis, and pericholecystic exudation as the most influential clinical predictors, with radiomic features providing a higher overall weight in the final ensemble. CONCLUSIONS: The interpretable stacking model effectively integrates clinical and radiomic data to accurately predict ASC preoperatively.

ترجمه فارسی چکیده

هدف: توسعه یک مدل پیش‌بینی قابل تفسیر و اقتصادی برای کولیسیت حاد و شدید (ASC) با استفاده از چارچوب یادگیری هم‌پوشانی و الگوریتم SHAP. روش‌ها: این مطالعه بازنگری‌شده بر ۴۹۲ بیمار با تایید بالینی کولیسیت حاد انجام شد که از دو بیمارستان تخصصی بین ژانویه ۲۰۲۰ تا ژانویه ۲۰۲۳ جمع‌آوری گردیدند. تحلیل در دسامبر ۲۰۲۵ انجام شد. بیماران به مجموعه آموزشی (n = ۴۱۳، مرکز ۱) و مجموعه تست خارجی (n = ۷۹، مرکز ۲) تقسیم شدند. ما یک چارچوب هم‌پوشانی دو سطحی توسعه دادیم: سطح ۱ از شبکه جدولی توجه‌گرا (TabNet) برای رادیومیکس سی‌تی و XGBoost برای ویژگی‌های بالینی/تصویری به عنوان یادگیرندگان پایه استفاده کرد؛ سطح ۲ از رگرسیون لجستیک به عنوان یادگیرنده متا برای ادغام پیش‌بینی‌ها بهره برد. مدل هم‌پوشانی با مدل‌های جداگانه TabNet و XGBoost مقایسه شد. نتایج: در اعتبارسنجی متقاطع پنج‌گانه، مدل هم‌پوشانی میانگین مساحت زیر منحنی (AUC) را ۰.۸۵۰ به دست آورد که بر مدل‌های جداگانه TabNet (۰.۸۰۷) و XGBoost (۰.۷۹۹) برتری داشت. این برتری در مجموعه تست خارجی نیز حفظ شد (AUC: ۰.۸۲۷ در برابر ۰.۷۵۳ و ۰.۷۹۲). در مجموعه تست خارجی، مدل هم‌پوشانی همچنین کمترین امتیاز Brier (۰.۱۵۶) و بالاترین سود خالص بالینی را در تحلیل منحنی تصمیم ایجاد کرد. تحلیل SHAP درصد نوتروفیل، necrosis دیواره کیسه صفرا و ادرارک پیراکولیستیک را به عنوان مهم‌ترین پیش‌بینی‌کننده‌های بالینی شناسایی کرد، در حالی که ویژگی‌های رادیومیکس در هم‌پوشانی نهایی وزن کلی بیشتری داشتند. نتیجه‌گیری: مدل هم‌پوشانی قابل تفسیر به طور مؤثر داده‌های بالینی و رادیومیکس را برای پیش‌بینی دقیق ASC قبل از عمل ادغام می‌کند.

متن کامل اصلی