在基于多个模型比较的乳头甲状腺癌中,对淋巴结转移风险的术前预测
Yuan-Yuan Zhou1, Yu-Zhi Zhang2, Juan Li3
1Genome Center, KingMed Center for Clinical Laboratory Co., Ltd, Hefei, 230088, Anhui Province, China.
Scientific reports
|October 9, 2025
概括
在乳头甲状腺癌 (PTC) 中预测淋巴结转移 (LNM) 是至关重要的. 与机器学习模型相比,物流回归模型,特别是BestSubset-GLM,表现出优越的手术前预测准确性和概括性.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
背景情况:
- 在乳头甲状腺癌 (PTC) 手术中淋巴结解剖的必要性是有争议的.
- 精确的淋巴结转移的术前预测可以优化手术策略.
研究的目的:
- 为了比较后勤回归 (LR) 和机器学习 (ML) 模型在预测PTC患者LNM风险方面的性能.
- 评估不同患者队列的模型通用性.
主要方法:
- 四个LR和四个ML模型使用内部 (n=3,175) 和外部 (中国,n=104;加拿大,n=412) PTC队列进行了开发和验证.
- 模型使用歧视 (AUC),校准 (屏障评分),准确性和临床效用指标进行评估.
- 分析了包括甲状腺外延伸,瘤大小,年龄和性别在内的关键预测因素.
主要成果:
- 与ML模型 (XGBoost AUC: 0.785和 0.725) 相比,BestSubset-GLM (LR) 实现了优异的外部验证性能 (AUC: 0.831和 0.785).
- 最好的基组GLM显示了高特异性 (0.86),精度 (0.59),有利的校准和强大的临床实用性.
- 甲状腺外延伸,瘤大小>1厘米,年轻年龄和男性性别是显著的LNM风险因素.
结论:
- 后勤回归模型,特别是BestSubset-GLM,为PTC中手术前LNM风险预测提供了一种节,可解释和可概括的方法.
- 超越AUC的全面模型评估对于临床决策至关重要.
- 从经过验证的模型中提取的动态名ograms可以帮助手术规划.
