可解释的机器学习模型,用于预测cN0乳头甲状腺癌中的副腹腔淋巴结转移
Lin Chun1, Denghuan Wang2, Liqiong He2
1Department of Breast and Thyroid Surgery, The First Affiliated Hospital of Chongqing Medical University, Chongqing, 404100, China.
Scientific reports
|September 27, 2024
概括
机器学习模型可以准确地预测皮肤状甲状腺癌 (PTC) 患者的副腹腔淋巴结转移. 这种方法有助于在临床结节阴性 (cN0) PTC 中进行淋巴结解剖的手术规划.
科学领域:
- 在瘤学瘤学.
- 手术瘤学手术瘤学
- 医疗信息学 医疗信息学
背景情况:
- 在临床结节阴性 (cN0) 乳头性甲状腺癌 (PTC) 中进行预防性副甲状腺淋巴结解剖是有争议的.
- 准确地预测腹淋巴结转移 (PLNM) 对于手术决策至关重要.
研究的目的:
- 开发和验证可解释的机器学习 (ML) 模型,用于预测cN0 PTC患者的PLNM.
- 为了比较ML模型的性能与传统的名ograms.
- 创建一个临床上适用于外科手术规划的工具.
主要方法:
- 对来自主要医院的3213名cN0 PTC患者和来自外部医院的533名患者的回顾性分析.
- 使用十倍交叉验证和超参数调整开发和验证九个ML模型.
- 将最好的ML模型 (XGBoost) 与基于后勤回归的名录图 (使用ROC曲线,DCA和校准曲线) 进行比较.
主要成果:
- XGBoost模型显示出优异的预测性能,AUC为0.935 (训练),0.857 (验证) 和0.775 (测试组),表现优于名录 (AUC为0.85,0.844,0.769).
- 沙普利添加式解释 (SHAP) 确定了关键的预测特征.
- 基于顶级预测功能开发了一个基于Web的计算器.
结论:
- 机器学习提供了一种可靠的方法来预测cN0 PTC中的PLNM.
- 基于SHAP的XGBoost模型提供了可解释的见解.
- 开发的基于网络的计算器可以帮助外科医生规划腹腔淋巴结解剖.
