基于内和内超声波放射学的可解释机器学习,用于预测皮质甲状腺癌中的中枢淋巴结转移

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 乳头甲状腺癌 (PTC) 可以转移到中央淋巴结 (CLNM).
• 准确的手术前预测CLNM对于有效的治疗计划至关重要.

研究的目的:

• 开发和验证用于PTC中预测CLNM的机器学习 (ML) 模型.
• 整合临床,超声波 (美国) 和放射学特征,以提高预测准确度.
• 为了利用SHapley添加式解释 (SHAP) 来实现模型的解释性.

主要方法:

• 对879名PTC患者的回顾性分析.
• 从内和周区域提取放射学特征.
• 开发五个ML模型,包括临床,美国和放射学特征 (Radscore).
• 使用ROC曲线,DCA和校准图表进行评估; SHAP用于可解释性.

主要成果:

• 性能最好的ML模型 (XGBoost) 在训练组中达到0.868的AUC,在测试组中达到0.787.
• 结合了临床,美国和放射学特征的组合模型,在单个特征类型的基础上表现优于模型.
• SHAP分析确定了来自内和3毫米周区域的Radscore作为关键预测因素.

结论:

• 美国的内和周放射学特征显示出预测PTC中CLNM的前景.
• 整合SHAP分析可以提高模型的透明度,并支持个性化治疗决策.