机器学习用于甲状腺癌患者的风险分层:一项为期15年的队列研究

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:

• 甲状腺癌的复发是一个重大问题,尽管死亡率低.
• 准确预测个体复发风险对于有效的患者管理至关重要.
• 目前的方法可能无法完全捕捉复发预测的细微差别.

研究的目的:

• 开发和训练机器学习 (ML) 模型,以预测区分良好的甲状腺癌 (WDTC) 复发的可能性.
• 用不同的特征集来评估各种ML算法的性能.
• 确定最佳模型来分层WDTC患者复发风险.

主要方法:

• 对383名WDTC患者的前性队列进行了至少10年的跟踪.
• 分析了13个临床病理特征.
• 包括K-近邻,SVM,基于树的模型和ANN在内的模型经过训练和验证,使用具有和没有ATA风险评分的特征组合.

主要成果:

• 在全面的特征集上训练时,ML模型在预测复发方面表现出很高的性能.
• 支持矢量机器 (SVM) 使用完整数据集实现了99.71%的AUC.
• 排除ATA风险得分提高了特异性,但降低了敏感性,而仅使用ATA风险数据则产生了相反的效果.

结论:

• 机器学习模型,包括经典和神经网络,有效地分层了WDTC患者的复发风险.
• 这些模型可以帮助量身定制治疗强度和优化后续计划.
• 在甲状腺癌管理中,ML为个性化风险评估提供了一个强大的工具.