基于临床病理学和弹性学放射学特征的可解释机器学习模型来预测cN0乳头甲状腺癌的跳转转移

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:

• 在乳头甲状腺癌 (PTC) 中的跳过淋巴结转移 (SLNM) 绕过中央节点,通常在成像中错过.
• 现有的模型不充分评估临床节点阴性 (cN0) PTC患者的SLNM风险.
• 这导致了低估的风险和低于最佳的治疗策略.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测cN0 PTC患者手术前SLNM风险.
• 将弹性图形放射学与临床病理学数据相结合,以提高预测准确度.
• 改进高风险淋巴结转移 (LNM) 的PTC患者的治疗策略.

主要方法:

• 对485名PTC患者的回顾性分析,分为培训和外部验证队列.
• 从弹性图像中提取和标准化放射学特征.
• 使用临床病理学和放射学数据开发和验证ML模型,并对特征的重要性进行SHAP分析.

主要成果:

• 极端梯度增强 (XGBoost) 模型整合了弹性图形放射学和临床病理学数据,显示出卓越的性能.
• 该模型在内部和外部验证队列中实现了高精度.
• SHAP分析确定了关键预测因素,包括三种弹性体放射学特征,一种临床变量和一种病理变量.

结论:

• XGBoost模型对于预测高危cN0 PTC患者的SLNM非常有效.
• 这种综合方法显著提高了SLNM风险评估的准确性.
• 可以制定个性化治疗策略,有可能减少术后转移.