基于机器学习的多模式放射学模型的应用和验证,用于在乳头甲状腺癌中进行侧面淋巴结转移的术前预测

科学领域:

• 癌症学
• 放射学
• 医疗信息学

背景情况:

• 乳头甲状腺癌 (PTC) 经常转移到侧淋巴结 (LLNM),增加复发率和死亡率.
• 目前在PTC中对LLNM的诊断方法存在局限性,导致错误诊断和二次手术的需要.
• 准确的LLNM预测对于有效的PTC管理至关重要.

研究的目的:

• 开发和验证PTC患者手术前LLNM的多模式预测模型.
• 整合临床,超声波放射学和CT放射学特征以提高预测准确度.
• 评估开发的预测模型的临床实用性和可解释性.

主要方法:

• 对799名PTC患者的临床数据和成像 (超声波,CT) 的回顾性分析.
• 使用临床数据的逻辑回归和放射性特征的LASSO回归来选择特征.
• 开发和比较四个机器学习模型,其中由梯度增强机 (GBM) 因其性能和可解释性而被选中 (SHAP,LIME).

主要成果:

• 确定了五个独立的临床风险因素:瘤直径,多重病变,上极位置,单细胞数量减少和较低的淋巴细胞与单细胞比率 (LMR).
• GBM模型实现了高预测性能:AUC为0. 973 (训练),0. 803 (内部验证) 和0. 975 (外部验证).
• 在SHAP分析中,LMR被确定为最重要的预测因素,强调了模型的可解释性.

结论:

• 开发的基于GBM的多模式模型准确地预测PTC患者的LLNM.
• 这种非侵入性,可解释的工具有助于个性化风险评估,有可能减少遗漏的转移和二次手术.
• 该模型支持精确的治疗决策和改善PTC的管理策略.