机器学习:一项多中心研究预测cN0乳头甲状腺癌中的侧侧淋巴结转移
Jing Zhou1,2, Daxue Li1,2, Jiahui Ren2
1Department of Thyroid and Breast Surgery, the First Affiliated Hospital of Chongqing Medical University, 40016, China.
The Journal of clinical endocrinology and metabolism
|February 8, 2025
概括
机器学习,特别是随机森林,准确地预测皮皮性甲状腺癌 (PTC) 患者的横向淋巴结转移. 这些模型的性能优于传统的诺姆图,有助于临床决策预防性侧部解剖.
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) 乳头甲状腺癌 (PTC) 中进行预防性侧剖析的必要性受到争论.
- 精确预测淋巴结转移 (LNM) 对于治疗计划至关重要.
研究的目的:
- 为了比较传统的nomograms与机器学习 (ML) 模型在cN0 PTC中预测LNM的有效性.
- 评估ML模型来预测ipsilateral侧侧部LNM,特别是在II,III和IV级.
主要方法:
- 分析了来自A医院的1616个PTC患者记录 (培训/测试) 和来自B医院的243个 (验证).
- 包括随机森林 (RF) 在内的8个ML模型被开发并使用10倍交叉验证进行验证.
- 模型性能使用准确度,AUC,特异性和灵敏度等指标进行评估,与传统的名录相比,最佳的ML模型是最佳的ML模型.
主要成果:
- 射频模型表现出卓越的性能,在预测ipsilateral lateral LNM方面实现了高精度和AUC.
- 一个精简的射频模型,利用中心LNM和甲状腺外延伸等关键特征,保持了强大的预测能力.
- 射频模型在各种预测任务中始终优于传统的诺姆图,并作为基于网络的计算器实现.
结论:
- 机器学习,特别是射频,为预测cN0 PTC患者的横向LNM提供了一种可靠的方法.
- 在指导部解剖决策的准确性和临床实用性方面,ML模型超过了传统的诺米图.
- 开发的ML工具可以帮助临床医生优化PTC的治疗策略.
