基于机器学习的多维名图的开发和验证,用于预测皮肤状甲状腺小癌中的中枢淋巴结转移
Xingqi Liu1, Haoyang Li1, Lixin Zhang1
1Department of General Surgery, Jinzhou Medical University Postgraduate Training Base (Liaoyang Central Hospital), Liaoyang, China.
Gland surgery
|April 21, 2025
概括
一个新的机器学习名图准确地预测了皮皮质甲状腺微癌 (PTMC) 患者中中枢淋巴结转移的风险. 该工具有助于为PTMC做出个性化手术决策,改善患者的治疗结果.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 手术病理学手术病理学
背景情况:
- 乳头甲状腺小癌 (PTMC) 是一个诊断挑战,中枢淋巴结转移 (CLNM) 增加了复发风险.
- 目前在PTMC中对CLNM的预测模型缺乏全面性,仅集成有限的临床或成像数据.
- 这限制了手术前风险分层和PTMC患者的个性化手术规划.
研究的目的:
- 开发和验证一个基于机器学习的名ogram,用于PTMC中预测CLNM.
- 整合多维预测因素,包括临床病理学,超声波和血清学特征.
- 加强手术前风险分层,并指导PTMC的个性化手术决策.
主要方法:
- 对503名经过甲状腺切除术的PTMC患者进行了回顾性分析.
- 最小绝对收缩和选择运算符 (LASSO) 回归确定了后勤回归模型的关键预测因素.
- 用ROC曲线,校准图和决策曲线分析 (DCA) 来评估模型性能.
主要成果:
- 在28.8%的患者中证实了CLNM;年龄,性别,瘤大小,位置和ETE是显著的预测因素.
- 诺米图表表现出强大的预测性能,AUC为0.88 (训练) 和0.78 (验证).
- 观察到优异的校准和临床实用性,支持其在PTMC风险评估中的适用性.
结论:
- 开发的机器学习名录是评估PTMC患者中CLNM风险的可靠工具.
- 这种预测模型支持对PTMC管理实施个性化手术策略.
- 建议进行进一步的外部验证,以确认名图的概括性.
