在乳腺癌中淋巴结状况的非侵入性分期使用机器学习:外部验证和进一步的模型开发

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 哨兵淋巴结活检 (SLNB) 是关节负性乳腺癌中关节分期的标准,但具有发病风险.
• 节点状况的术前预测模型通常依赖于在初始处理过程中无法获得的数据.
• 在手术前评估淋巴血管侵袭 (LVI) 是具有挑战性的,但对于预测结节转移至关重要.

研究的目的:

• 在一个大规模的瑞典队列中,对非侵入性淋巴结分期 (NILS) 的多层感知子 (MLP) 模型进行外部验证.
• 为NILS开发一种新的MLP模型,仅使用常规可用的手术前临床病理变量.
• 开发和验证LVI预测模型,以提高原始NILS模型的可行性.

主要方法:

• 利用了来自瑞典国家乳腺癌质量登记册 (NKBC, 2014-2017) 的数据,其中包括18633名患者.
• 开发并验证了四个MLP用于节点状态和一个用于LVI归算,使用11-12个常规可用的预测因素.
• 评估模型性能使用接收器操作特征曲线 (AUC) 下的面积,校准和决策曲线分析.

主要成果:

• 在NKBC中对原始NILS模型的外部验证显示AUC为0.699,有可能节省16%的SLNB患者.
• 在NKBC开发的一种新的节点状况模型 (AUC 0.709) 显示出优异的校准,并可能使24%的患者免受不必要的SLNBs.
• 一个LVI MLP模型 (AUC 0.747) 在用于归算时没有改善节点状态模型的歧视性性能.

结论:

• 尼尔斯模型在一个大型基于人口的队列中成功地得到了外部验证.
• 仅使用手术前数据的新机器学习模型显示了非侵入性淋巴结分期的可行性.
• 未来的工作包括对成像数据进行潜在的验证和整合,以加强NILS.