一个机器学习模型利用德尔夫淋巴结特征来预测皮质甲状腺癌中对侧中央淋巴结转移的情况:一项前性多中心研究

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 乳头甲状腺癌 (PTC) 在预测逆侧中央淋巴结转移 (CCLNM) 方面存在挑战.
• 准确预测CCLNM对于确定PTC患者适当的手术干预至关重要.

研究的目的:

• 开发一个人工智能驱动的模型,用于在PTC中预测CCLNM.
• 通过整合放射学和临床病理学数据来确定CCLNM的有效预测因子.
• 建立一个临床上适用的模型,以指导PTC中的手术程度.

主要方法:

• 一项前性队列研究,涉及来自三个中心的603名PTC患者.
• 使用后勤回归和其他算法开发机器学习 (ML) 模型.
• 预测CCLNM的最终随机森林模型的外部验证.

主要成果:

• 多种病理因素与CCLNM有关.
• 德尔夫淋巴结转移率,ipsilateral转移数和ipsilateral转移的存在是独立的危险因素.
• 德尔菲淋巴结-CCLNM (D-CCLNM) 模型实现了高预测准确度,AUC范围从0.8907到0.9273.

结论:

• 一种基于ML的新方法有效地预测PTC患者的CCLNM.
• D-CCLNM模型整合了Delphian淋巴结数据和临床特征.
• 这种方法为指导临床环境中的手术决策提供了基础.