在cN0期激素受体阳性乳腺癌中进行状淋巴结转移的预测模型的构建:基于可解释的机器学习方法
Wenyan Liu1, Zhijun Ma2, Yufei Wang2
1Clinical Medicine College, Graduate School of Qinghai University, Xining, Qinghai, China.
Frontiers in oncology
|February 19, 2026
概括
一个K-近邻 (KNN) 模型准确地预测了激素受体阳性 (HR+) 乳腺癌 (BC) 患者的状淋巴结转移 (ALNM). 该工具有助于进行手术前风险评估,以更好地管理患者.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 机器学习在医学中的应用
背景情况:
- 准确的手术前预测状淋巴结转移 (ALNM) 对于管理临床节点阴性 (cN0) 激素受体阳性 (HR +) 乳腺癌 (BC) 至关重要.
- 目前的管理策略需要精确的风险分层,以优化cN0 HR+ BC患者的治疗决策.
研究的目的:
- 开发和验证一种机器学习模型,用于预测cN0 HR+ BC患者的ALNM.
- 确定该患者队列中ALNM的关键临床和实验室预测因素.
主要方法:
- 816 cN0 HR+ BC患者 (2016-2024) 的回顾性分析,数据分为培训,内部测试和外部验证集.
- 开发五种机器学习模型 (XGBoost,随机森林,物流回归,SVM,KNN) 使用递归特征消除 (RFE) 进行特征选择.
- 使用接收器运行特征曲线下的面积 (AUC) 和决策曲线分析 (DCA) 的性能评估;通过夏普利添加式解释 (SHAP) 的模型解释性.
主要成果:
- 在K-近邻 (KNN) 模型中,测试组的AUC值为0.898,外部验证组的AUC值为0.774.
- 决策曲线分析 (DCA) 显示,KNN模型为预测ALNM提供了最高的临床净益.
- SHAP分析确定了平价性,年龄,瘤位置和更年期状态作为关键预测因素,以及瘤直径和几种血液标记 (淋巴细胞计数,血小板计数,AFP,中性粒细胞计数,CEA).
结论:
- 通过SHAP解释性增强的KNN模型,在cN0 HR+ BC中显示出强大的性能和临床适用性,用于手术前ALNM预测.
- 该模型是个性化风险评估和乳腺癌管理决策的宝贵工具.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
7.6K
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
774
