使用机器学习构建对反侧隐性甲状腺癌和单侧 papillary 甲状腺癌中中枢淋巴结转移的预测模型
1Department of Breast and Thyroid Surgery, Union Hospital, Tongji Medical College, Huazhong University of Science and Technology, Wuhan, China.
Frontiers in oncology
|September 22, 2025
概括
这项研究开发了隐性逆侧甲状腺癌 (OTC) 和单侧 papillary thyroid carcinoma (PTC) 患者中中枢淋巴结转移 (CLNM) 的预测模型. 这些模型通过识别高风险个体来帮助外科规划,防止低风险病例的过度治疗.
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:
- 乳头甲状腺癌 (PTC) 的管理需要对对侧面隐性甲状腺癌 (OTC) 和中枢淋巴结转移 (CLNM) 的准确风险评估.
- 术前预测这些风险对于定制外科手术策略和避免过度治疗或治疗不足至关重要.
研究的目的:
- 开发和验证基于机器学习的预测模型,用于单边PTC患者的异侧OTC和≥5CLNM.
- 通过准确评估个体患者的风险,为手术规划提供可操作的指导.
主要方法:
- 采用了七个机器学习算法,包括后勤回归,用于模型开发.
- 使用交叉验证与网格搜索进行超参数调整.
- 使用ROC曲线,校准曲线和决策曲线分析 (DCA) 评估的模型.
主要成果:
- 后勤回归模型在预测OTC和CLNM方面表现最佳.
- 关键的OTC预测指标包括BMI,囊中断,结节数量,SLD和脉结节 (AUC:0.74培训,0.70验证).
- ≥5 CLNM的预测因素包括年龄,性别,甲状腺炎,静脉结节,SLD,囊破坏和化 (AUC: 0.75培训,0.71验证).
结论:
- 经过验证的临床预测模型有效估计了单边PTC中对外OTC和显著CLNM的风险.
- 这些模型支持个性化手术决策,防止低风险患者过度治疗,并指导高风险病例的积极管理.
