GastroPredict: Gastric Cancer Survival Prediction and Explainable AI Support System

Author

Vedant Pingat, Vinod Sule, Avishkar Mandhare


Abstract

 Gastric (stomach) cancer is a leading cause of cancer death, and population registries such as the SEER Program hold decades of patient-level records that could support individual prognosis. Published studies show that machine learning (ML) and survival models can use registry variables competitively, but reported results depend on the cohort, the survival horizon and the evaluation protocol. Predictions are rarely accompanied by an individual survival curve, a per-patient explanation, or a question-answering component designed for safety. This review examines representative research on gastric-cancer prognosis models, SEER-based ML, survival-analysis methods and metrics, explainable AI, class imbalance and calibration, and clinical decision support. Based on these findings, it discusses the proposed GastroPredict system, built on 86,197 SEER gastric cancer records, which combines an XGBoost status classifier, a Cox proportional hazards survival curve, TreeSHAP explanations and a rule-based, non-generative assistant. The paper presents an initial targeted review rather than an exhaustive systematic review; its conclusions should be interpreted as a synthesis of selected literature, and the project results reported here have not been externally validated. They are modest: XGBoost's accuracy (91.75%) is only about six points above an always-"Dead" baseline (85.27%), and it identifies only 63.1% of surviving patients.



Keywords

Gastric cancer, SEER, survival prediction, XGBoost, Cox proportional hazards, SHAP, explainable AI, clinical decision support, rule-based assistant.



Full Text:

Download Paper PDF


References


  • Bray, M. Laversanne, H. Sung et al., “Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries,” CA: A Cancer Journal for Clinicians, vol. 74, no. 3, pp. 229-263, 2024, doi: 10.3322/caac.21834.
  • Feng, M. T. May, S. Ingle, M. Lu, Z. Yang and J. Tang, “Prognostic models for predicting overall survival in patients with primary gastric cancer: A systematic review,” BioMed Research International, vol. 2019, Art. no. 5634598, 2019, doi: 10.1155/2019/5634598.
  • Xu, J. Wang, T. Zheng, Y. Cao and F. Ye, “Prediction of prognosis and survival of patients with gastric cancer by weighted improved random forest model: An application of machine learning in medicine,” Archives of Medical Science, vol. 18, no. 5, pp. 1208-1220, 2021, doi: 10.5114/aoms/135594.
  • Zeng, K. Li, F. Cao and Y. Zheng, “Development and validation of survival prediction model for gastric adenocarcinoma patients using deep learning: A SEER-based study,” Frontiers in Oncology, vol. 13, Art. no. 1131859, 2023, doi: 10.3389/fonc.2023.1131859.
  • Authorsnot shown on source record, “Predicting gastric cancer survival using machine learning: A systematic review,” World Journal of Gastrointestinal Oncology, vol. 17, no. 5, 2025. Available: https://www.wjgnet.com/1948-5204/full/v17/i5/103804.htm
  • -H.Niu, L.-L. Zhao, H.-L. Wu, D.-B. Zhao and Y.-T. Chen, “Artificial intelligence in gastric cancer: Application and future perspectives,” World Journal of Gastroenterology, vol. 26, no. 36, pp. 5408-5419, 2020, doi: 10.3748/wjg.v26.i36.5408.
  • Adili, A. Mohetaer and W. Zhang, “Diagnostic accuracy of radiomics-based machine learning for neoadjuvant chemotherapy response and survival prediction in gastric cancer patients: A systematic review and meta-analysis,” European Journal of Radiology, vol. 173, Art. no. 111249, 2024, doi: 10.1016/j.ejrad.2023.111249.
  • Authorsnot shown on source record, “Building and validating a machine learning-based survival prediction model for early gastric cancer: A SEER database analysis,” Surgical Oncology, vol. 66, Art. no. 102416, 2026.
  • Authorsnot shown on source record, “Survival nomogram for different grades of gastric cancer patients based on SEER database and external validation cohort,” Frontiers in Oncology, 2022, doi: 10.3389/fonc.2022.951444.
    • R. Cox, “Regression models and life-tables,” Journal of the Royal Statistical Society: Series B, vol. 34, no. 2, pp. 187-220, 1972.
    • Wang, Y. Li and C. K. Reddy, “Machine learning for survival analysis: A survey,” ACM Computing Surveys, vol. 51, no. 6, Art. no. 110, 2019.
    • Ishwaran, U. B. Kogalur, E. H. Blackstone and M. S. Lauer, “Random survival forests,” The Annals of Applied Statistics, vol. 2, no. 3, pp. 841-860, 2008, doi: 10.1214/08-AOAS169.
    • L. Katzman et al., “DeepSurv: Personalized treatment recommender system using a Cox proportional hazards deep neural network,” BMC Medical Research Methodology, vol. 18, Art. no. 24, 2018.
    • E. Harrell, R. M. Califf, D. B. Pryor, K. L. Lee and R. A. Rosati, “Evaluating the yield of medical tests,” JAMA, vol. 247, no. 18, pp. 2543-2546, 1982.
    • M. Lundberg et al., “From local explanations to global understanding with explainable AI for trees,” Nature Machine Intelligence, vol. 2, no. 1, pp. 56-67, 2020, doi: 10.1038/s42256-019-0138-9.
    • M. Lundberg and S.-I. Lee, “A unified approach to interpreting model predictions,” in Advances in Neural Information Processing Systems 30, 2017,
  1. 4765-4774.(Conference method source.)
  • Chen and C. Guestrin, “XGBoost: A scalable tree boosting system,” in Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2016, pp. 785-794. (Conference method source.)
  • Rudin, “Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead,” Nature Machine Intelligence, vol. 1, no. 5, pp. 206-215, 2019, doi: 10.1038/s42256-019-0048-x.
  • Authorsnot shown on source record, “Class imbalance in medical datasets [title abbreviated on source record],” Artificial Intelligence Review, 2024, doi: 1007/s10462-024-10884-2.
  • Van Calster, D. J. McLernon, M. van Smeden, L. Wynants and E. W. Steyerberg, “Calibration: the Achilles heel of predictive analytics,” BMC Medicine, vol. 17, Art. no. 230, 2019, doi: 10.1186/s12916-019-1466-7.
  • L. Guo et al., “Systematic review of approaches to preserve machine learning performance in the presence of temporal dataset shift in clinical medicine,” Applied Clinical Informatics, vol. 12, no. 4, pp. 808-815, 2021, doi: 10.1055/s-0041-1735184.
  • S. Collins et al., “TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods,” BMJ, vol. 385, Art. no. e078378, 2024, doi: 10.1136/bmj-2023-078378.
  • T. Sutton et al., “An overview of clinical decision support systems: benefits, risks, and strategies for success,” npj Digital Medicine, vol. 3, Art. no. 17, 2020, doi: 10.1038/s41746-020-0221-y.
  • Giuffre et al., “Expert-of-Experts Verification and Alignment (EVAL) framework for large language models safety in gastroenterology,” npj Digital Medicine, vol. 8, Art. no. 242, 2025.

* E-mail addresses: [email protected] (Vedant Pingat); [email protected] (Vinod Sule); [email protected] (Avishkar Mandhare).

Share your valuable work from Social Media Buttons