一种可解释的机器学习模型,用于预测皮质甲状腺癌中隐藏的中央淋巴结转移
Zhongyu Wang1, Shangman Yang2,3, Yin Li4
1Department of Head and Neck Surgery, State Key Laboratory of Oncology in South China, Guangdong Provincial Clinical Research Center for Cancer, Sun Yat-sen University Cancer Center, Guangzhou 510060, P. R. China.
The Journal of clinical endocrinology and metabolism
|December 11, 2025
概括
这项研究确定了RET融合阳性作为隐性淋巴结转移在乳头甲状腺癌的关键风险因素. 机器学习模型有助于预测这种风险,以便更好地规划治疗.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 遗传学 是一个遗传学.
背景情况:
- 临床上淋巴结阴性 (cN0) 乳头甲状腺癌 (PTC) 中隐性淋巴结转移 (OLNM) 的准确预测对于治疗优化至关重要.
- 热废除和主动监控等策略需要精确的OLNM风险评估.
研究的目的:
- 在cN0 PTC中确定OLNM的独立风险因素.
- 开发和评估机器学习模型,以使用临床,超声波和分子特征预测OLNM.
主要方法:
- 对961名cN0 PTC患者的回顾性分析.
- 多变量物流回归用于识别风险因素.
- 开发和验证八个机器学习模型,包括随机森林,使用SHAP进行解释性.
主要成果:
- RET融合和BRAF突变被确定为OLNM的独立分子风险因素.
- 随机森林模型显示了最佳的性能 (AUC 0.906训练,0.733测试).
- 瘤大小,年龄和回声发作焦点是SHAP分析发现的顶级预测因素.
结论:
- RET融合阳性是cN0 PTC中OLNM的一个新型独立风险因素.
- 开发的随机森林模型提供了一个整合各种数据用于OLNM风险预测的框架.
- 网络计算器可用于预测模型的实际应用.
