ML小児甲状腺がんにおける再発の予測:XGBoostとSHAPを用いたMETコホート分析

科学分野:

• 腫瘍学
• 機械学習
• 小児内分泌学

背景:

• 小児分化甲状腺癌 (DTC) は,病気が進行した状態で発生することが多い.
• 概して良好な生存率にもかかわらず,再発と寛解の失敗は一般的であり,早期のリスクの階層化を改善する必要があります.

研究 の 目的:

• 小児のDTCにおける再発または非寛解を予測するための解釈可能な機械学習モデルを作成し,評価する.
• リスクの階層化のために,通常の臨床的および生化学的データを使用します.

主な方法:

• (GPOH-) MET レジストリ (1997年−2023年) の250人の小児DTC患者の遡及分析.
• XGBoost分類器が訓練され,SHapley Additive exPlanations (SHAP) が解釈性のために使用されました.
• 研究のエンドポイントは,構造的な再発または24ヶ月以内に寛解を達成できないことでした.

主要な成果:

• このモデルは独立したテストセットでAUROC0.86を達成した.
• 主な予測因子には,診断時の若さ (10歳未満),手術後のチログロブリン値上昇,遠隔転移が含まれていた.
• SHAP分析は,モデル解釈の重要性についての洞察を提供した.

結論:

• 解釈可能な機械学習モデルは,小児DTCの早期再発または非寛解を確実に予測します.
• このツールは,現在のリスク分層システムを強化することができます.
• 小児のDTC患者に個別化され,リスクに適応した治療戦略をサポートします.