开发和验证一种可解释的机器学习模型,用于预测乳头甲状腺癌中远程转移的风险:一项多中心研究

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 在乳头甲状腺癌 (PTC) 中的远程转移 (DM) 显著降低了患者的存活率.
• 准确的早期预测DM风险对于个性化治疗和改善预后至关重要.
• 预测PTC DM的现有模型存在局限性,需要新的方法.

研究的目的:

• 开发和验证可解释的机器学习 (ML) 模型,用于在PTC患者中早期预测DM.
• 通过使用多中心队列来确定DM风险的关键预测因素.
• 为临床医生提供一种工具,用于早期识别高风险患者.

主要方法:

• 利用了云南癌症医院的1430名PTC患者 (培训/内部验证) 和昆明医学大学第一附属医院的434名患者 (外部验证) 的数据.
• 构建了9个ML模型,包括随机森林 (RF),以预测DM风险.
• 采用夏普利添加式解释 (SHAP) 来对特征重要性排名和模型可解释性进行分析.

主要成果:

• 射频模型实现了最高的预测性能,内部验证的AUC为0.913,外部验证的AUC为0.8996.
• 该模型在预测"仅肺转移"方面表现出了出色的校准和高准确性.
• 确定了11个关键变量,包括年龄,瘤大小,淋巴细胞计数,单细胞计数,MLR,TG,TPOAb和TNM分期,作为重要的预测因素.

结论:

• 一个可解释和验证的ML模型,特别是RF模型,可以准确预测PTC患者的DM风险.
• 这种模型有助于早期识别高风险个体,从而实现定制的治疗策略.
• 基于RF模型的在线计算器可用于帮助临床医生进行风险评估.