可解释的多模式机器学习,用于预测差异化甲状腺癌的隐性肺转移:在放射性扫描之前,基于SHAP的方法

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 医疗信息学 医疗信息学

背景情况:

• 在放射性 (RAI) 治疗之前,差异化甲状腺癌 (DTC) 患者可能有未检测到的肺转移.
• 早期识别这些隐性肺转移对于准确的患者分期和有效的RAI治疗计划至关重要.
• 机器学习提供了一种有前途的方法,可以使用临床数据预测RAI治疗前的肺转移.

研究的目的:

• 开发和评估机器学习模型,用于预测DTC患者在¹³¹I治疗前隐性肺转移.
• 确定有助于预测肺转移的关键临床因素.
• 为了提高DTC患者的分期和治疗计划的准确性.

主要方法:

• 江癌症医院371名DTC患者的回顾性分析,分为实验 (隐性肺转移) 和对照组.
• 用6个机器学习算法 (SVM,DT,RF,LR,XGBoost,KNN) 来构建预测模型.
• 用AUC,准确度,灵敏度,精度,特异性和F1评分来评估模型性能. 使用SHAP算法来确定特征的重要性.

主要成果:

• 后勤回归 (LR) 模型表现出最高的性能,精度为0.91和AUC为0.93.
• 鉴定到的关键预测因素包括淋巴结转移数和甲状腺蛋白 (Tg) 水平.
• 该模型在精度 (0.92) 和特异性 (0.96) 中获得了高分,表明可靠的预测.

结论:

• 后勤回归是一种非常有效的模型,用于预测DTC患者在I-WBS之前的隐性肺转移.
• 淋巴结转移和胆固醇水平是肺转移的最重要的预测因素.
• 准确的预测有助于优化DTC的分期和治疗策略.