基于机器学习的淋巴结转移和体积预测,使用皮质甲状腺癌的术前超声波特征

科学领域:

• 癌症学
• 医学成像
• 机器学习

背景情况:

• 乳头甲状腺癌 (PTC) 经常涉及宫淋巴结转移.
• 准确的手术前评估转移程度对于手术规划至关重要.
• 目前的方法可能无法完全捕捉淋巴结参与的细微差别.

研究的目的:

• 开发和验证用于预测PTC中的宫淋巴结转移和转移体积的机器学习模型.
• 将手术前超声波特征整合到预测算法中.
• 提高PTC患者手术规划的精度.

主要方法:

• 对573名PTC患者进行了回顾性分析.
• 使用单变量和物流回归 (LR) 分析进行特征选择 (p < 0.05).
• 使用K-近邻 (KNN),梯度提升机 (XGBoost) 和支持向量机 (SVM) 算法的预测模型的开发.
• 在验证队列中使用ROC曲线,灵敏度,特异性和精度进行性能评估.

主要成果:

• 渐变增强模型在预测淋巴结转移方面表现最好 (AUC: 0. 784,准确率: 73. 8%).
• 渐变增强模型在预测转移体积方面也表现出色 (AUC: 0. 779,准确率: 74. 4%).
• 这项研究包括320名淋巴结转移患者,按体积分类.

结论:

• 整合手术前超声波特征的机器学习模型有效预测PTC中的淋巴结转移风险.
• 这些模型可以优化手术规划,指导淋巴结解剖程度和个性化治疗.
• 这种数据驱动的方法为甲状腺瘤的手术前风险评估提供了一个范例.