基于放射学,预测侧侧淋巴结转移,直径小于8毫米的皮肤状甲状腺癌的侧侧淋巴结转移
Yan Wang1, Shuangqingyue Zhang2, Minghui Zhang1
1Department of Ultrasonography, The First Affiliated Hospital of China Medical University, Shenyang, Liaoning, China.
概括
这项研究开发了一种组合学习模型,将临床和放射学数据结合起来,以预测皮质甲状腺癌 (PTC) 中的小淋巴结转移. 临床放射学CatBoost模型表现出卓越的准确性,有助于PTC患者的手术决策.
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
- 无线电学 (Radiomics) 是一种辐射学.
背景情况:
- 乳头甲状腺癌 (PTC) 风险分层对于横向宫淋巴结转移对于手术规划至关重要.
- 精确评估小淋巴结 (直径<8毫米) 是一个挑战,影响治疗决策.
- 整合临床病理学和放射学特征可能会提高诊断准确度.
研究的目的:
- 开发一种使用临床病理学参数和超声波放射学来评估PTC患者侧淋巴结转移风险的集合学习模型.
- 根据转移风险评估指导选择合适的外科手术方法.
- 为了比较各种集合模型的性能,并确定最佳的预测模型.
主要方法:
- 对454名经过甲状腺切除术和部解剖/活检的PTC患者进行了回顾性分析.
- 提取临床病理特征和基于超声波的放射学特征.
- 组合学习模型 (随机森林,XGBoost,CatBoost,GBDT,LightGBM) 的开发和比较,包括临床,放射学和联合临床-放射学模型.
- 使用递归特征消除 (RFE) 进行特征选择,并使用AUC,准确性,特异性,精度,回忆和F1分数进行模型性能评估.
- 使用Shapley添加式解释 (SHAP) 的模型解释的可视化.
主要成果:
- 最初总共提取了1035个特征,缩小到10个临床特征,8个放射性特征和17个组合特征.
- CatBoost模型在放射性学 (AUC=0.91) 和临床放射性学 (AUC=0.93) 模型中都表现出卓越的性能.
- 最优的临床辐射学CatBoost模型实现了高性能指标:ACC=0.88,BA=0.87,F1=0.91,SPE=0.83,PRE=0.88,Jaccard=0.83,和Remember=0.92. 这两个指标是:ACC=0.88,BA=0.87,F1=0.91,SPE=0.83,PRE=0.88,Jaccard=0.83,和Remember=0.92.
- SHAP分析确定了关键的预测特征,包括中枢淋巴结转移 (CLNM),球状性和与形状和质地相关的特定放射性特征.
结论:
- 临床放射学CatBoost模型是预测PTC中侧面小淋巴结转移的最佳合体学习方法.
- SHAP分析提供了对特征重要性有价值的见解,提高了模型的可解释性.
- 这种组合模型提高了小可疑淋巴结的诊断准确度,支持PTC管理中的个性化手术决策.
