机器学习模型的开发,以预测在主要的唾液腺癌中淋巴结转移的情况

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:

• 在主要的唾液腺癌 (SGC) 中选择性部治疗的指示仍在争论中.
• 精确识别淋巴结转移 (LNM) 对于治疗规划至关重要.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测SGC患者的LNM.
• 为了确定LNM预测的关键临床变量.

主要方法:

• 从监测,流行病学和最终结果 (SEER) 计划 (1988-2019) 中对10,350名患者进行了回顾性分析.
• 使用13个人口和临床变量开发两个监督的ML模型 (随机森林,XGBoost).
• 转换特征的重要性被用来识别显著的预测因素.

主要成果:

• ML模型实现了0.68.8的整体精度.
• 在两种模型中都观察到高特异性 (0.830.90) 和负预测值 (0.700.72).
• 瘤T分类和瘤大小被确定为最重要的预测特征.

结论:

• ML算法显示在SGC中检测LNM的高特异性和负预测值.
• 这些模型可以帮助在手术前识别患有淋巴结转移风险较低的患者.