使用监督机器学习方法预测临床上阴性T1和T2状甲状腺癌的宫淋巴结转移,使用监督机器学习方法

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 乳头甲状腺癌 (PTC) 通常是惰的,但宫淋巴结转移 (LNM) 会增加复发风险.
• 准确预测LNM对于定制临床结节阴性 (cN0) 患者的治疗至关重要.
• 目前的方法可能无法在早期的PTC中完全捕捉LNM风险.

研究的目的:

• 评估和比较机器学习 (ML) 分类器,用于预测cN0 T1和T2 PTC患者的宫LNM.
• 为了确定最佳的ML模型,平衡特异性,灵敏性和过拟合.
• 开发一种用于临床应用的预测工具.

主要方法:

• 利用了288名PTC患者的临床病理学数据,这些患者接受了全甲状腺切除和部解剖.
• 采用了四个ML分类器,包括k-最近邻居 (k-NN).
• 根据高特异性,低过拟合和≥95%的灵敏度选择最好的模型.

主要成果:

• k-最近邻居 (k-NN) 分类器表现最好.
• 达到0.72的AUC,具有98%的灵敏度和27%的特异性.
• 开发了一个使用kNN模型进行LNM预测的Web应用程序.

结论:

• ML模型可以有效地预测子宫LNM在cN0 T1/T2 PTC.
• kNN分类器在改善风险分层方面表现有前途.
• 基于ML的预测可以增强PTC患者的个性化治疗策略.