一种机器学习模型用于预测差异化甲状腺癌的骨和/或肺转移:提高风险分层的精度

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 在全球范围内,差异化甲状腺癌 (DTC) 发病率正在上升.
• 具有骨/肺转移的侵略性DTC的预后不佳.
• 目前的预测模型缺乏准确性.

研究的目的:

• 开发一个机器学习模型,以改进DTC转移的预测.
• 提高早期干预的风险分层.
• 改善高风险DTC患者的治疗结果.

主要方法:

• 利用SEER数据库进行模型开发.
• 与XGBoost进行比较,随机森林,GBM,后勤回归,天真贝斯,CART.
• 在变量选择中使用 LASSO,在失衡中使用 SMOTE.
• 用中国队列进行外部验证.

主要成果:

• 在XGBoost模型中,AUC达到0.988 (内部) 和0.866 (外部).
• 关键预测因素:瘤大小,辐射,手术,组织学,阶段,横向性,种族,收入.
• SHAP分析证实了瘤大小,辐射和手术作为主要预测因素.

结论:

• 开发了一个准确的机器学习模型,用于DTC骨/肺转移的预测.
• 模型为风险分层提供临床实用性.
• 支持早期干预策略,以改善患者的治疗结果.