Makine öğrenmesi ve derin öğrenme tabanlı sağkalım modellerinin karşılaştırılması: Açıklanabilir yapay zeka yaklaşımı

Amaç: Kolon kanseri sağkalım verisinde istatistiksel, ağaç tabanlı, ensemble, kernel ve derin öğrenme yaklaşımlarını temsil eden on farklı modelin tahmin performansının karşılaştırılması ve açıklanabilirlik yöntemleriyle karar mekanizmalarının değerlendirilmesi amaçlanmıştır. Materyal ve metot: R survival paketindeki colon veri seti (n=888, olay=430, olay oranı=%48.4) kullanıldı. Model performansı 5×3 iç içe çapraz doğrulama ile değerlendirilmiş; C-index, Integrated Brier Score ve zamana bağlı AUC metrikleri hesaplandı. Model güvenilirliği 1000 tekrarlı bootstrap ile %95 güven aralıkları üzerinden değerlendirilmiştir. Bulgular: İç içe çapraz doğrulamada en yüksek ortalama C-index DeepSurv (0.6569), RSF (0.6568) ve DeepHit (0.6567) modellerinde birbirine çok yakın elde edilmiş; RSF en düşük IBS (0.1743) ve en yüksek TD-AUC değerlerinden biri (0.7161) ile en dengeli performansı göstermiştir. Bootstrap analizinde ExtraSurvTrees en yüksek C-index (0.7350), IBS (0.1503) ve TD-AUC (0.8098) değerlerine ulaşmış; ancak iç içe çapraz doğrulamadaki düşük sıralaması bu sonucun iyimser yanlılığına işaret etmektedir. SHAP analizi tüm modellerde pozitif lenf düğümü sayısını en güçlü prognostik faktör olarak belirlemiştir. SurvSHAP(t) öznitelik öneminin zamana bağlı değişimini, SurvLIME ise hasta düzeyinde yorumlanabilir risk profilleri ortaya koymuştur. Sonuç: Ensemble yöntemler tutarlı üstünlük gösterirken derin öğrenme modelleri küçük-orta ölçekli verilerde kararsızlık riski taşımaktadır. Açıklanabilirlik analizleri modeller arası tutarlı prognostik örüntüleri doğrulayarak klinik karar destek uygulamalarına zemin hazırlamaktadır.