基于机器学习构建甲状腺乳头状癌淋巴结跳跃性转移的预测模型

摘要：

目的 探讨甲状腺乳头状癌淋巴结跳跃性转移的发生率和危险因素,并利用机器学习算法建立预测模型.方法 回顾性分析 2013 年 6 月至 2021 年 12 月空军军医大学第一附属医院收治的730 例甲状腺乳头状癌患者的临床病理资料,依据是否发生淋巴结跳跃性转移分为阳性组和阴性组.使用单因素及多因素分析确定跳跃性转移的独立相关因素.基于逻辑回归、k近邻、决策树、随机森林、极致梯度提升和支持向量机 6 种机器学习算法构建预测模型.结果 甲状腺乳头状癌淋巴结跳跃性转移的发生率为 11.51%(84/730);多因素分析提示,年龄＞45 岁、甲状腺微小乳头状癌、肿瘤累及上极、腺外侵犯、中央区淋巴结检出数和颈侧区淋巴结转移数是跳跃性转移的独立相关因素;受试者工作特征曲线显示,k 近邻算法预测性能最佳,受试者工作特征曲线下面积在训练集和验证集分别为 0.813 和0.808.结论 甲状腺乳头状癌淋巴结跳跃性转移与年龄、是否为甲状腺微小乳头状癌、肿瘤是否累及上极、肿瘤是否腺外侵犯、中央区淋巴结检出数和颈侧区淋巴结转移数相关;基于独立相关因素构建的机器学习算法模型具有较高的预测性能,可以指导临床决策.

关键词：甲状腺乳头状癌、跳跃性转移、机器学习、预测模型

所属期刊栏目：16

分类号：R736.1;R542.2;R653

在线出版日期：2024-09-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：324-329