使用机器学习预测差异化甲状腺癌对放射性的良好反应
1Department of Nuclear Medicine, Recep Tayyip Erdogan University, Faculty of Medicine, Training and Research Hospital, Rize, Turkey.
概括
机器学习模型可以预测差异化甲状腺癌 (DTC) 患者在放射性 (RAI) 治疗后的良好反应 (ER). 这种预测有助于评估DTC没有远程转移的复发风险.
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:
- 在放射性 (RAI) 治疗后获得良好反应 (ER) 的差异化甲状腺癌 (DTC) 患者的复发率较低.
- 早期预测ER对于管理没有远程转移的DTC患者至关重要.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于预测DTC患者在RAI治疗后6-24个月的ER.
- 确定影响ER预测的关键临床病理参数.
主要方法:
- 利用了临床病理学数据,包括甲状腺切除/部切割病理学,实验室结果和151名没有远程转移的DTC患者的成像发现.
- 应用各种ML模型来预测ER状态 (ER/nonER) 基于预处理和RAI后数据.
主要成果:
- 118名患者实现了ER,而33名患者在RAI后没有ER.
- 在RAI之前的非ER组中,甲状腺球蛋白抗体 (TgAb) 的发生率明显高 (55%对29%,p=0.007).
- 八个ML模型表现出高预测性能 (AUC>0.700),极端梯度增强达到最高AUC (0.871) 和梯度增强显示81%的准确性.
结论:
- ML模型显示了在使用RAI治疗的DTC患者中准确预测ER的显著潜力.
- 这些预测模型可以帮助临床医生对DTC患者进行风险分层和治疗计划.
