ステージcN0ホルモン受容体陽性乳がんにおける状リンパ節転移の予測モデルの構築:解釈可能な機械学習方法に基づいて

科学分野:

• 腫瘍学 腫瘍学
• 医療情報工学 医療情報工学
• 医学における機械学習

背景:

• 帯リンパ節転移 (ALNM) の正確な術前予測は,臨床的にノードネガティブ (cN0) ホルモン受容体陽性 (HR+) 乳がん (BC) の管理に不可欠です.
• 現在の管理戦略では,cN0 HR+ BC患者の治療決定を最適化するために,正確なリスク層分化が必要です.

研究 の 目的:

• cN0 HR+ BC患者のALNMを予測するための機械学習モデルを開発および検証.
• この患者コホートにおけるALNMの主要な臨床および検査予測要因を特定する.

主な方法:

• 816 cN0 HR+ BC患者 (2016-2024) の遡及分析で,データはトレーニング,内部テスト,および外部検証セットに分けられました.
• 5つの機械学習モデル (XGBoost,ランダムフォレスト,ロジスティック回帰,SVM,KNN) の開発で,リキュルティブ・フィーチャー・エリミネーション (RFE) を機能選択に使用した.
• 受信機操作特性曲線 (AUC) 下の面積と決定曲線分析 (DCA) を用いた性能評価;SHapley添加式説明 (SHAP) を通してモデルの解釈可能性.

主要な成果:

• K-Nearest Neighbors (KNN) モデルは,テストセットでは0.898,外部検証セットでは0.774のAUCを達成しました.
• 決定曲線分析 (DCA) は,KNNモデルがALNMを予測する上で最も高い臨床的利益を提供することを示しました.
• SHAP分析は,腫瘍の直径といくつかの血液マーカー (リンパ球数,血小板数,AFP,中性粒子の数,CEA) とともに,対数,年齢,腫瘍の位置,および更年期状態を主要な予測指標として特定しました.

結論:

• SHAPの解釈性により強化されたKNNモデルは,cN0 HR+ BCにおける手術前のALNM予測のための強力な性能と臨床適用性を実証しています.
• このモデルは,乳がん管理における個別化されたリスク評価と意思決定のための貴重なツールとして機能します.