使用机器学习方法开发和验证皮质甲状腺癌结构性复发的预测模型
Hongxi Wang1, Chao Zhang2, Qianrui Li1
1Department of Nuclear Medicine, West China Hospital, Sichuan University, No 37. Guoxue Alley, 610041, Chengdu, China.
BMC cancer
|April 8, 2024
概括
机器学习模型准确地预测乳头甲状腺癌复发风险,优于传统方法. 这一进步有助于更好的患者管理和针对乳头甲状腺癌的个性化治疗策略.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
背景情况:
- 乳头甲状腺癌 (PTC) 复发影响高达30%的患者,尽管预后良好.
- 由于有争议的预测因素,准确预测PTC复发仍然具有挑战性.
- 研究机器学习 (ML) 以提高PTC结构性复发风险预测.
研究的目的:
- 评估机器学习 (ML) 模型在预测皮质甲状腺癌 (PTC) 患者结构性复发风险方面的有效性.
- 将各种ML算法的性能与美国甲状腺协会 (ATA) 的风险分层进行比较.
- 确定PTC中结构性复发的关键预测因素.
主要方法:
- 利用了2244名接受手术和放射性治疗的PTC患者的数据.
- 在人口,瘤,淋巴结和代谢/炎症因素中分析了29个术后变量.
- 应用并比较了五种ML算法:逻辑回归 (LR),支持向量机 (SVM),极端梯度增强 (XGBoost),随机森林 (RF) 和神经网络 (NN).
主要成果:
- 与ATA风险分层 (AUC 0.620) 相比,机器学习模型显示出更高的预测性能 (AUC 0.7380.767).
- 随机森林 (RF) 模型显示高灵敏度 (0.676),特异性 (0.784) 和负预测值 (0.964).
- 确定的关键预测因素包括非刺激的铁血球蛋白 (Tg),淋巴结比率 (LNR) 和N阶段.
结论:
- 机器学习,特别是射频模型,为PTC患者的准确风险分层提供了一个有希望的方法.
- 开发的ML模型提供了比传统方法更好的区分,校准和解释性.
- 这项研究强调了ML在改善PTC管理中的临床决策方面的潜力.
