开发和验证多维机器学习模型用于皮肤状甲状腺癌手术前风险分层:一个多中心,回顾性队列研究
Jia-Wei Feng1, Lu Zhang2, Yu-Xin Yang1
1Department of Thyroid Surgery, The Third Affiliated Hospital of Soochow University, Changzhou First People's Hospital, Changzhou, Jiangsu, China.
概括
一个新的多模式机器学习模型准确地预测了手术前的乳头甲状腺癌 (PTC) 风险. 这种方法整合了各种数据,以改善手术前风险分层和个性化治疗计划.
科学领域:
- 计算成像分析分析计算成像分析
- 机器学习在瘤学中的应用
- 放射学和临床数据整合.
背景情况:
- 目前的乳头甲状腺癌 (PTC) 风险分层依赖于术后病理.
- 现有的PTC手术前评估方法存在局限性.
研究的目的:
- 开发和验证用于PTC手术前风险分层的多模式机器学习模型.
- 整合临床,免疫学,超声波和CT放射学数据,以提高预测.
主要方法:
- 分析了来自中国三个医疗中心的974名PTC患者.
- 利用梯度增强来选择特征,并随机使用森林进行分类.
- 为了模型的可解释性,使用了夏普利添加式解释 (SHAP).
- 在内部和两个外部队列中验证.
主要成果:
- 15个特征模型在验证队列中实现了高AUC (0.77-0.91).
- 在对队列特定的重新调整后,性能提高到0.89-0.96.
- 关键预测因素包括CT纹理,超声波形态和免疫炎症标志物.
结论:
- 多模式机器学习模型为PTC提供准确的手术前风险分层,具有跨中心通用性.
- 这种计算框架突显了多模式学习在改变临床决策以实现个性化治疗方面的潜力.
