Interpretierbare ML-Modelle prognostizieren 5‑Jahres‑Überleben bei Myeloma

Maschinelles Lernen verspricht bessere klinische Entscheidungen, doch die undurchsichtige Funktionsweise von Black‑Box‑Modellen behindert deren Einsatz im Gesundheitswesen. In dieser Studie werden zwei neue Regularisierungstechniken vorgestellt, die die Interpretierbarkeit von Modellen sichern, ohne die Leistung zu opfern.

Die Forscher nutzen reale Daten von 812 Patienten mit Multiplen Myelom aus dem Universitätsklinikum Helsinki, um die fünfjährige Überlebensrate vorherzusagen.

Die erste Regularisierung zielt darauf ab, die Abweichung von den Vorhersagen eines einfachen logistischen Regressionsmodells mit nur zwei handverlesenen Merkmalen zu minimieren. Die zweite Regularisierung stellt sicher, dass die Modellvorhersagen mit dem überarbeiteten internationalen Staging‑System (R‑ISS) übereinstimmen.

In den numerischen Experimenten erreicht die kombinierte Methode eine Genauigkeit von 0,721 auf einem Testdatensatz. SHAP‑Analysen zeigen, dass die Modelle stark auf die zuvor ausgewählten klinisch relevanten Features zurückgreifen.

Diese Arbeit demonstriert, dass interpretierbare Machine‑Learning‑Modelle für reale Onkologie‑Daten entwickelt werden können, was den Weg für eine breitere klinische Akzeptanz ebnet.