基于机器学习算法的乳腺癌患者哨戒淋巴结转移风险预测模型的构建

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:

• 哨兵淋巴结转移是乳腺癌的关键预后因素.
• 精确识别转移助力在治疗规划和患者管理.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测乳腺癌中哨兵淋巴结转移.
• 为了确定患有哨兵淋巴结转移高风险的乳腺癌患者.

主要方法:

• 从225名接受了哨戒淋巴结活检 (SLNB) 的女性乳腺癌患者的回顾性数据收集.
• 使用后勤回归进行特征选择,然后训练五个ML算法 (LOGIT,LASSO,XGBOOST,RANDOM FOREST,GBM).
• 使用沙普利增量解释 (SHAP) 来确定特征重要性的模型解释.

主要成果:

• 多焦点疾病,淋巴血管侵入 (LVI),最大直径,形状US和最大皮层厚度是显著的预测因素.
• 随机森林模型在预测哨兵淋巴结转移方面表现强.
• SHAP分析确定了最大直径和最大皮层厚度作为关键预测因素.

结论:

• 整合病理和成像数据的机器学习模型可以准确预测乳腺癌中哨兵淋巴结转移的情况.
• 随机森林模型在临床应用中表现出色.
• 这些模型可以帮助临床医生识别有风险的患者并优化治疗策略.