基于全身炎症反应指数和超声波特征的可解释机器学习模型可以预测cN0T1-T2乳头性甲状腺癌中的中枢淋巴结转移

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 诊断成像 诊断成像 诊断成像

背景情况:

• 对于具有临床负性淋巴结 (cN0) 的T1-T2乳头甲状腺癌 (PTC) 的常规预防性中央淋巴结解剖 (pCLND) 是有争议的.
• 在PTC中研究了NLR,PLR,MLR和SII等系统性炎症指数,但系统性炎症反应指数 (SIRI) 和中枢淋巴结转移 (CLNM) 风险之间的关联尚不清楚.

研究的目的:

• 在cN0T1-T2 PTC患者中调查SIRI和CLNM风险之间的关联.
• 开发和验证机器学习 (ML) 模型,以使用手术前炎症指数和超声波 (US) 功能预测CLNM风险.
• 确定CLNM的关键预测因素并创建可解释的名ograms.

主要方法:

• 一项对1394名cN0T1-T2 PTC患者的回顾性研究,随机分为训练 (70%) 和测试 (30%) 组.
• 使用最小绝对收缩和选择运算符 (LASSO) 和多变量后勤回归来确定预测因素并构建名ograms.
• 开发了八个可解释的ML模型 (DT,KNN,SVM,ANN,RF,XGBoost,LightGBM,CatBoost) 并使用auROC和auPR评估它们的性能,并使用SHAP进行解释.

主要成果:

• 年轻的年龄,较大的瘤大小,囊入侵,瘤位置,不清楚的边缘,微化,CDFI血流和较高的SIRI (≥0.77) 是CLNM的独立积极预测因素.
• 女性性别和哈希莫托甲状腺炎是独立的负面预测因素.
• 与XGBoost,CatBoost和ANN相比,随机森林 (RF) 算法在预测CLNM方面表现优异,正如SHAP图表所显示的那样.

结论:

• 结合SIRI和US特征的可解释的ML模型有效预测cN0T1-T2 PTC患者的CLNM.
• 这个模型可以帮助临床医生进行风险分层和关于pCLND的决策.
• 该研究强调了系统性炎症标志物和ML在个性化甲状腺癌管理中的有用性.