开发和验证一种可解释的机器学习模型,用于在囊侵入性乳头甲状腺癌中对中枢淋巴结转移的术前预测
Jingchao Chen1,2, Yingting Hong1,2, Haolin Shen2
1Fujian Medical University, Fuzhou, Fujian Province, China.
Medicine
|December 2, 2025
概括
这项研究开发了一种可解释的AI模型,使用超声波和甲状腺测试来预测皮质甲状腺癌中枢淋巴结转移的情况. 该模型准确地识别了需要淋巴结解剖的患者,改善了手术规划.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 乳头甲状腺癌 (PTC) 经常转移到中央淋巴结.
- 准确的中枢淋巴结转移 (CLNM) 的术前预测对于手术规划和患者的结果至关重要.
- 目前用于预测CLNM的方法存在局限性,需要改进诊断工具.
研究的目的:
- 开发和验证一个可解释的机器学习框架,用于预测囊侵入性PTC中的CLNM.
- 将双模式超声波和甲状腺功能参数集成到预测模型中.
- 为个性化手术策略确定CLNM的关键预测因子.
主要方法:
- 对382名病理确诊的囊侵入性PTC患者的回顾性分析.
- 使用8个机器学习算法 (包括CatBoost) 开发预测模型.
- 使用接收器操作特征 (ROC) 分析和SHapley添加式解释 (SHAP) 验证模型可解释性.
主要成果:
- 多变量分析确定了不规则的边缘,瘤位置,最大直径>10毫米,丰富的血液供应,异质增强和高甲状腺刺激激素作为独立的CLNM风险因素.
- CatBoost模型实现了最高的预测性能 (AUC = 0.804 在测试组).
- SHAP分析强调瘤大小>10毫米,下/中极位置和不规则的边缘是最重要的预测因素.
结论:
- 可以解释的AI模型整合了超声波和甲状腺功能参数,可以准确地预测囊侵入性PTC中的CLNM.
- 由SHAP解释的CatBoost模型为手术前风险分层提供了一个临床适用的工具.
- 这种方法促进了个性化手术规划,可能引导预防性中央淋巴结解剖的决策.
