开发和验证一种可解释的机器学习模型,以预测乳头甲状腺癌中的德尔夫淋巴结转移:一项大型队列研究

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 机器学习在医学中的应用

背景情况:

• 乳头甲状腺癌 (PTC) 发病率正在上升,早期淋巴结转移 (LNM) 增加了复发率和降低了生存率.
• 目前缺乏PTC中德尔菲淋巴结转移 (DLNM) 的预测模型.
• 本研究旨在评估DLNM预测的临床指标,并开发一个整体机器学习 (ML) 框架.

研究的目的:

• 评估标准临床指标在PTC中预测DLNM的重要性.
• 为DLNM预测构建一个可靠和广泛适用的集体ML框架.
• 在PTC管理中支持手术规划和治疗决策.

主要方法:

• 包括1993名接受治疗手术 (2020-2023) 的PTC患者,分为培训 (n=1395) 和验证 (n=598) 队列.
• 使用Boruta算法进行特征选择,然后使用集体ML框架结合12种ML技术 (113种排列) 来创建DLNM索引.
• 使用ROC分析,校准曲线,引导,十倍交叉验证,RCS回归和SHAP进行模型解释来评估预测准确度.

主要成果:

• 从14个特征和12个ML方法中得出的DLNM指数显示出出色的诊断值 (平均AUC为0.763) 并作为一个独立的风险因素 (P<0.001).
• 在预测性能和净收益方面,DLNM指数在预测性能和净收益方面表现优于已公布的模型 (P < 0.05),在验证方法中显示出稳定性和通用性.
• SHAP分析确定了瘤大小,右4区域淋巴结,FT4,TG和T3作为关键预测因素;RCS回归表明DLNM风险和TG之间的非线性关系,瘤大小,FT3.

结论:

• 使用12个临床特征的优化,可解释的ML模型 (DLNM指数) 已开发并验证在PTC中进行DLNM预测.
• DLNM指数提供了一种经济,易于使用和精确的诊断工具,对手术和治疗决策具有潜在的临床影响.
• 瘤大小和FT4被确定为增加DLNM风险的最重要的变量,通过SHAP和RCS回归量化和可视化.