机器学习模型用于预测临床节点阳性乳腺癌中的带淋巴结转移,基于周周超声波放射学和SHAP特征分析

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 准确预测状淋巴结转移对于早期乳腺癌的分期和治疗至关重要.
• 当前的方法可能无法完全捕捉所有相关的预后信息.

研究的目的:

• 开发和验证一个机器学习模型,整合临床特征和超声波放射学,用于预测状淋巴结转移.
• 为了比较不同机器学习模型的诊断性能,并确定最佳的算法.

主要方法:

• 对321名乳腺癌早期患者的临床,超声波和病理学数据的回顾性分析.
• 建立临床特征模型和放射学特征模型.
• 开发和比较六个机器学习模型,包括XGBoost,用于联合预测模型.
• 利用沙普利增量解释 (SHAP) 进行模型解释.

主要成果:

• 使用XGBoost的联合预测模型实现了高诊断性能,AUC为0.917 (训练) 和0.905 (验证).
• 放射学模型结合了内和周的特征,表现优于临床模型.
• SHAP分析强调了放射性特征对模型预测能力的重大贡献.

结论:

• 结合临床和放射性特征的集成XGBoost模型在预测状淋巴结转移方面具有显著价值.
• 该模型有助于选择手术前的手术策略和评估乳腺癌患者的预后.
• 通过SHAP增强的模型解释性促进了临床应用和信任.