在甲状腺癌中预测周边淋巴结转移 (LNM),使用来自增强CT的三角放射学,并与多个机器学习算法相结合

科学领域:

• 放射学和医学成像学 医学成像学
• 在瘤学瘤学.
• 人工智能在医学中的应用

背景情况:

• 周边淋巴结转移 (LNM) 是甲状腺癌的关键预后因素.
• 准确预测LNM对于有效的治疗计划和患者管理至关重要.
• 目前的预测方法可能缺乏临床应用所需的精度和可解释性.

研究的目的:

• 开发和验证甲状腺癌患者外周LNM的预测模型.
• 将增强的CT放射性特征与机器学习算法集成在一起,以提高预测准确度.
• 通过使用SHAP值和名ogram来增强模型的解释性和临床实用性.

主要方法:

• 增强型CT图像和375名甲状腺癌患者的临床数据的回顾性分析.
• 从瘤区域提取三角洲放射性特征.
• 使用交叉验证对各种机器学习算法 (SVM,GBM,RF,XGBoost,KNN,LightGBM) 的训练和评估.
• 使用SHAP值和使用名ograms可视化的最佳模型的解释.

主要成果:

• 支持矢量机 (SVM) 模型在测试组中表现出高预测性能,AUC为0.879,灵敏度为0.849,特异性为0.769.
• 发现的关键预测因素包括瘤与甲状腺囊相邻,病理亚型,Delta Radscore和Radscore 1.
• SHAP价值分析和名字图为特征贡献和模型预测提供了明确的见解.

结论:

• 一个结合增强CT放射学和机器学习的强大模型有效预测甲状腺癌中的外周LNM.
• 使用SHAP值和名ograms显著提高模型的解释性和临床适用性.
• 这种方法为在甲状腺癌管理中更精确,更直观的临床决策提供了有价值的工具.