基于机器学习的甲状腺髓性癌的侧侧淋巴结转移模型改善了隐性转移的预测能力
Xiwei Zhang1, Xiaohui Zhao1, Lichao Jin1
1Department of Head and Neck Surgical Oncology, National Cancer Center/National Clinical Research Center for Cancer/Cancer Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing, China.
Cancer medicine
|May 29, 2024
概括
一个新的机器学习模型准确地预测了甲状腺髓癌 (MTC) 中的侧侧淋巴结转移. 该工具有助于决定MTC患者是否需要预防性侧剖析.
科学领域:
- 在瘤学瘤学.
- 手术瘤学手术瘤学
- 放射学 放射学是一门学科.
背景情况:
- 骨髓甲状腺癌 (MTC) 管理涉及有关预防性侧部解剖 (LND) 对于没有明显侧部转移的患者的有争议的决定.
- 准确预测隐藏的横向淋巴结转移 (LLNM) 对于优化MTC手术策略至关重要.
研究的目的:
- 开发和验证使用机器学习在MTC患者LLNM的预测模型.
- 评估该模型在临床结节阴性或最小参与 (cN0-1a) MTC 患者中识别隐藏LLNM的有效性.
主要方法:
- 对218名接受初级手术的MTC患者的回顾性审查 (2010年1月至2022年1月).
- 收集基线特征和甲状腺成像数据,并使用美国放射学学院 (ACR) 甲状腺成像,报告和数据系统 (TI-RADS) 恢复超声波图像.
- 使用规范化后勤回归,5倍交叉验证和决策曲线分析开发和验证LLNM预测模型.
主要成果:
- 五个基线特征 (性别,素,瘤大小,多焦点,中枢淋巴结状况) 和两个TI-RADS特征 (边缘,水平) 被确定为LLNM的高风险因素.
- 开发的LLNM模型显示出强烈的歧视性,在测试数据集中达到0.92 ± 0.03的曲线下的平均面积 (AUC).
- 对于cN0-1a MTC患者,LLNM模型预测隐性LLNM的AUC为0.91,显著超过基线色素 (AUC0.83) 和中枢淋巴结状况 (AUC0.64).
结论:
- 通过使用机器学习,整合临床和TI-RADS数据,成功开发了MTC的新型LLNM预测模型.
- 该模型准确地预测了cN0-1a MTC患者的隐性LLNM,为临床决策提供了有价值的工具.
- 这种预测模型可以显著帮助确定预防性侧部剖析的必要性,从而有可能改善患者的治疗结果.
