基于機(jī)器學(xué)習(xí)與SHAP可解釋性的模型預(yù)測(cè)cN0甲狀腺乳頭狀癌喉返神經(jīng)入喉區(qū)淋巴結(jié)轉(zhuǎn)移及其臨床意義
《Frontiers in Endocrinology》：Machine learning: predicting lymph node metastasis around the entrance point to the recurrent laryngeal nerve in cN0 papillary thyroid carcinoma
編輯推薦：
本文介紹了一項(xiàng)創(chuàng)新的臨床預(yù)測(cè)研究。研究者針對(duì)臨床淋巴結(jié)陰性（cN0）甲狀腺乳頭狀癌（PTC）患者，開(kāi)發(fā)并驗(yàn)證了一種可解釋的機(jī)器學(xué)習(xí)（ML）模型，專(zhuān)門(mén)用于預(yù)測(cè)喉返神經(jīng)入喉區(qū)淋巴結(jié)（LN-epRLN）的轉(zhuǎn)移風(fēng)險(xiǎn)。該研究通過(guò)隨機(jī)森林（RF）算法獲得了優(yōu)異的預(yù)測(cè)性能（AUC達(dá)0.919），并利用SHapley Additive exPlanations（SHAP）分析揭示了以中央?yún)^(qū)淋巴結(jié)轉(zhuǎn)移負(fù)荷（如TCLNMR）為核心的關(guān)鍵預(yù)測(cè)因子。這項(xiàng)工作為外科醫(yī)生在術(shù)前和術(shù)中制定個(gè)體化的精準(zhǔn)手術(shù)方案提供了數(shù)據(jù)驅(qū)動(dòng)的決策工具，旨在優(yōu)化腫瘤切除徹底性與神經(jīng)功能保護(hù)之間的平衡。
1 引言
甲狀腺癌的發(fā)病率在全球范圍內(nèi)持續(xù)上升，其中甲狀腺乳頭狀癌（PTC）約占所有甲狀腺癌的90%。盡管PTC通常預(yù)后良好，但其具有顯著的淋巴結(jié)轉(zhuǎn)移（LNM）傾向，轉(zhuǎn)移率在20%至90%之間，復(fù)發(fā)率接近30%。淋巴結(jié)轉(zhuǎn)移是公認(rèn)的復(fù)發(fā)風(fēng)險(xiǎn)因素，不僅與生存率降低相關(guān)，也給手術(shù)管理和隨訪帶來(lái)復(fù)雜性。
目前，臨床淋巴結(jié)陰性（cN0）PTC的手術(shù)管理正朝著更精確的、基于亞區(qū)域的中英區(qū)淋巴結(jié)清掃（CLND）方向發(fā)展。這一轉(zhuǎn)變?cè)从趯?duì)不同解剖亞區(qū)轉(zhuǎn)移風(fēng)險(xiǎn)差異的認(rèn)識(shí)。例如，位于喉返神經(jīng)入喉點(diǎn)周?chē)牧馨徒Y(jié)（LN-epRLN）是中央?yún)^(qū)內(nèi)的另一個(gè)關(guān)鍵亞區(qū)域。然而，LN-epRLN的臨床意義和轉(zhuǎn)移模式在文獻(xiàn)中仍缺乏充分描述。中央?yún)^(qū)清掃，尤其是喉返神經(jīng)（RLN）周?chē)那鍜撸哂酗@著風(fēng)險(xiǎn)，包括RLN永久性損傷和甲狀旁腺功能減退。LN-epRLN區(qū)域因其與神經(jīng)的緊密解剖關(guān)系，給清掃帶來(lái)了獨(dú)特的外科挑戰(zhàn)，增加了醫(yī)源性損傷的風(fēng)險(xiǎn)。
傳統(tǒng)的統(tǒng)計(jì)方法通常在整合多模態(tài)臨床數(shù)據(jù)和捕捉預(yù)測(cè)變量之間復(fù)雜的非線性相互作用方面存在不足。在此背景下，人工智能（AI），特別是機(jī)器學(xué)習(xí)（ML），通過(guò)學(xué)習(xí)高維數(shù)據(jù)集并識(shí)別傳統(tǒng)方法無(wú)法觸及的微妙模式，為開(kāi)發(fā)穩(wěn)健的預(yù)測(cè)模型提供了強(qiáng)大的替代方案。為應(yīng)對(duì)這一挑戰(zhàn)，本研究利用機(jī)器學(xué)習(xí)來(lái)開(kāi)發(fā)和驗(yàn)證用于預(yù)測(cè)LN-epRLN轉(zhuǎn)移（LNM-epRLN）的模型。本研究的主要目標(biāo)是確定預(yù)測(cè)LNM-epRLN的最佳ML模型，通過(guò)識(shí)別最關(guān)鍵的預(yù)測(cè)特征來(lái)簡(jiǎn)化模型，并使用SHapley Additive exPlanations（SHAP）增強(qiáng)模型的可解釋性，以闡明特征貢獻(xiàn)。我們旨在提供一個(gè)數(shù)據(jù)驅(qū)動(dòng)的工具，以促進(jìn)關(guān)于LN-epRLN清掃的個(gè)體化和精準(zhǔn)術(shù)中決策。
2 材料與方法
2.1 患者納入與數(shù)據(jù)處理
這項(xiàng)回顧性研究分析了1800名在2023年6月至2024年9月期間接受治療的PTC患者的記錄。研究獲得了重慶醫(yī)科大學(xué)附屬第一醫(yī)院倫理委員會(huì)的批準(zhǔn)。納入標(biāo)準(zhǔn)包括：年齡>18歲、術(shù)前細(xì)針穿刺證實(shí)為PTC、cN0狀態(tài)、接受CLND以及擁有完整的臨床病理數(shù)據(jù)。排除標(biāo)準(zhǔn)包括既往頸部手術(shù)或放療、非PTC甲狀腺惡性腫瘤，或未進(jìn)行LN-epRLN清掃。篩選后，149名患者被納入，并以7:3的比例隨機(jī)分為訓(xùn)練集和測(cè)試集。數(shù)據(jù)預(yù)處理包括使用眾數(shù)和均值分別填補(bǔ)分類(lèi)變量和連續(xù)變量的缺失值。由于非正態(tài)分布，保留了LNM比例和計(jì)數(shù)作為常量變量。對(duì)數(shù)值特征進(jìn)行標(biāo)準(zhǔn)化以減少尺度差異并提高模型性能。以術(shù)后組織病理學(xué)作為確定LNM-epRLN的金標(biāo)準(zhǔn)。
2.2 數(shù)據(jù)收集
收集了多類(lèi)別的特征變量，包括：
- •
臨床特征：年齡、性別、體重指數(shù)（BMI）。
- •
超聲特征：腫瘤邊界、鈣化、腫瘤內(nèi)部血管化、腫瘤周邊血流、位置、縱橫比、構(gòu)成、內(nèi)部回聲模式和內(nèi)部回聲均勻性等。
- •
術(shù)中和術(shù)后特征：術(shù)中出血量、手術(shù)時(shí)長(zhǎng)、住院時(shí)長(zhǎng)、術(shù)后引流量、術(shù)后出血、RLN損傷、甲狀旁腺功能減退和乳糜漏。
- •
病理特征：腫瘤大小（定義為腫瘤的最大直徑）、甲狀腺外侵犯（ETE）、橋本氏甲狀腺炎（HT）、腫瘤位置、伴發(fā)良性腫瘤、多灶性、腫瘤分期、BRAF V600E突變狀態(tài)。
- •
術(shù)中冰凍病理特征：多個(gè)淋巴結(jié)區(qū)域的轉(zhuǎn)移狀態(tài)（二元變量）、轉(zhuǎn)移淋巴結(jié)數(shù)量（連續(xù)變量）和淋巴結(jié)轉(zhuǎn)移率（數(shù)值變量）。因變量LNM-epRLN是根據(jù)最終石蠟切片確定的二元變量。
2.3 手術(shù)方法與術(shù)中冰凍病理特征提取
手術(shù)管理包括針對(duì)腫瘤<4cm的單側(cè)腺葉切除加同側(cè)CLND；如果術(shù)中檢測(cè)到LNM，則進(jìn)行全甲狀腺切除術(shù)。系統(tǒng)性地從喉前、氣管前、氣管旁、RLN入喉點(diǎn)、RLN后方、對(duì)側(cè)氣管旁和側(cè)方淋巴結(jié)區(qū)域采樣淋巴結(jié)。LN-epRLN被定義為氣管食管溝內(nèi)、圍繞RLN喉部入喉點(diǎn)的淋巴組織。
所有標(biāo)本均進(jìn)行標(biāo)記并接受術(shù)中冰凍切片分析，隨后由三位不知情的病理學(xué)家進(jìn)行組織病理學(xué)復(fù)查。所有清掃的淋巴結(jié)標(biāo)本，包括來(lái)自LN-epRLN區(qū)域的標(biāo)本，均在永久石蠟包埋切片上進(jìn)行明確的組織病理學(xué)復(fù)查。
2.4 機(jī)器學(xué)習(xí)模型
本研究選擇了九種代表不同學(xué)習(xí)范式的監(jiān)督機(jī)器學(xué)習(xí)模型進(jìn)行比較，包括：作為簡(jiǎn)單可解釋基線的線性模型（邏輯回歸，LR）；已知能捕捉非線性關(guān)系的樹(shù)模型（決策樹(shù)，DT；隨機(jī)森林，RF；極端隨機(jī)樹(shù)，ET；XGBoost）；在高維空間有效的基于距離的模型（支持向量機(jī)，SVM；k近鄰，KNN）；一個(gè)高效的概率模型（高斯樸素貝葉斯，GNB）；以及一個(gè)用于探索復(fù)雜層次表示的神經(jīng)網(wǎng)絡(luò)（NN）。使用準(zhǔn)確率、受試者工作特征曲線下面積（AUC）、敏感性、特異性、陰性預(yù)測(cè)值（NPV）、陽(yáng)性預(yù)測(cè)值（PPV）、F1分?jǐn)?shù)和假陽(yáng)性率等指標(biāo)評(píng)估模型性能。所有模型均使用Python Scikit-learn庫(kù)實(shí)現(xiàn)。
超參數(shù)調(diào)優(yōu)通過(guò)網(wǎng)格搜索策略結(jié)合訓(xùn)練集上的10折交叉驗(yàn)證進(jìn)行，以?xún)?yōu)化模型性能并防止過(guò)擬合。使用六種互補(bǔ)的特征選擇方法進(jìn)行降維，以確保穩(wěn)健性并識(shí)別一組穩(wěn)定的預(yù)測(cè)特征：方差閾值、單變量選擇、遞歸特征消除（RFE）、交叉驗(yàn)證的RFE（RFE-CV）、基于L1的選擇和基于樹(shù)的選擇。
2.5 SHapley可加性解釋分析
應(yīng)用SHAP（一種來(lái)自合作博弈論的統(tǒng)一、模型無(wú)關(guān)的框架）來(lái)解釋最佳模型的預(yù)測(cè)，包括全局和局部層面。該方法量化每個(gè)特征對(duì)個(gè)體預(yù)測(cè)的貢獻(xiàn)，確保其可解釋性獨(dú)立于底層算法。使用平均絕對(duì)SHAP值對(duì)特征的整體重要性進(jìn)行排序，并使用依賴(lài)關(guān)系圖來(lái)可視化關(guān)鍵變量對(duì)模型預(yù)測(cè)的邊際效應(yīng)。
2.6 統(tǒng)計(jì)分析
所有統(tǒng)計(jì)分析均使用R軟件進(jìn)行。分類(lèi)變量以頻率和百分比表示，連續(xù)變量根據(jù)其分布以均值±標(biāo)準(zhǔn)差或中位數(shù)（四分位距）表示。使用卡方檢驗(yàn)或Fisher精確檢驗(yàn)進(jìn)行組間比較。機(jī)器學(xué)習(xí)工作流程，包括特征選擇、模型訓(xùn)練、超參數(shù)調(diào)優(yōu)和評(píng)估，均在Python中實(shí)現(xiàn)。
3 結(jié)果
3.1 患者的臨床與超聲病理特征
最初入組了1800名cN0-PTC患者，其中149名患者（8.3%）在清掃中發(fā)現(xiàn)可識(shí)別的LN-epRLN組織。LNM-epRLN的轉(zhuǎn)移率為19.46%（29/149）。這149名患者的隊(duì)列包括115名女性和34名男性（女:男比例3.38:1），平均年齡為43.06±12.120歲。單變量分析顯示，LNM-epRLN與多個(gè)臨床病理因素顯著相關(guān)。
與無(wú)轉(zhuǎn)移的患者相比，發(fā)生LNM-epRLN的患者腫瘤更大（15.81±9.29 mm vs. 9.68±6.18 mm，P<0.001），年齡≤45歲的頻率更高（68.97% vs. 31.03%，P=0.007），術(shù)后引流量更大（74.14±71.34 mL vs. 48.13±31.79 mL，P=0.003）。LNM-epRLN與多個(gè)淋巴結(jié)區(qū)域的轉(zhuǎn)移顯著相關(guān)，包括總中央?yún)^(qū)LNM（TCLNM）（96.55% vs. 3.45%，P<0.001）、側(cè)頸LNM（LLNM）（72.41% vs. 10.34%，P<0.001）和對(duì)側(cè)氣管旁LNM（31.03% vs. 24.14%，P<0.001）。此外，還觀察到與喉前、氣管前和同側(cè)氣管旁淋巴結(jié)的轉(zhuǎn)移（所有P<0.001）以及RLN后方LNM（LNM-prRLN）（P=0.001）存在顯著關(guān)聯(lián)。LNM-epRLN組中，中央?yún)^(qū)和側(cè)頸區(qū)轉(zhuǎn)移淋巴結(jié)的數(shù)量和比率也顯著更高（所有P<0.05）。
3.2 機(jī)器學(xué)習(xí)預(yù)測(cè)模型的開(kāi)發(fā)與評(píng)估
最初包含了48個(gè)特征變量。使用六種特征選擇方法進(jìn)行降維：方差閾值、單變量選擇、遞歸特征消除（RFE）、交叉驗(yàn)證的RFE（RFE-CV）、基于L1的選擇和基于樹(shù)的選擇。通過(guò)L1正則化特征選擇，識(shí)別出13個(gè)用于預(yù)測(cè)LNM-epRLN的預(yù)測(cè)變量，包括多灶性、鈣化、對(duì)側(cè)氣管旁LNM率（LNMR）、LNM-prRLN、TCLNM、氣管前LNMR、氣管前轉(zhuǎn)移淋巴結(jié)數(shù)（NLNM）、氣管旁NLNM、總中央?yún)^(qū)LNM率（TCLNMR）、總中央?yún)^(qū)轉(zhuǎn)移淋巴結(jié)數(shù)（TCNLNM）、腫瘤大小、年齡和氣管旁LNMR。
使用這些特征訓(xùn)練了九種ML模型：LR、DT、RF、ET、XGBoost、SVM、KNN、NN和GNB。使用十折交叉驗(yàn)證和網(wǎng)格搜索進(jìn)行超參數(shù)調(diào)優(yōu)。使用準(zhǔn)確率、AUC、敏感性和特異性作為主要指標(biāo)評(píng)估模型性能，并輔以七個(gè)額外指標(biāo)。評(píng)估圖包括ROC曲線、決策曲線分析（DCA）、校準(zhǔn)曲線、精確率-召回率曲線和學(xué)習(xí)曲線。
RF模型表現(xiàn)出最高的預(yù)測(cè)性能，其訓(xùn)練和測(cè)試AUC值分別為0.956和0.919。DCA表明，RF模型在大多數(shù)概率閾值下提供了優(yōu)越的臨床效用。學(xué)習(xí)曲線表明盡管存在輕微過(guò)擬合，但泛化能力穩(wěn)定。基于概率排序分析（PMRA），RF在所有九種ML模型中具有最低的過(guò)擬合風(fēng)險(xiǎn)和最佳的預(yù)測(cè)價(jià)值（勝率<0.5）。Wald檢驗(yàn)證實(shí)，與大多數(shù)模型相比，RF的優(yōu)勢(shì)具有統(tǒng)計(jì)學(xué)顯著性（P<0.05），盡管與XGBoost相比未達(dá)到顯著性。校準(zhǔn)曲線和精確率-召回率曲線進(jìn)一步證實(shí)了RF的穩(wěn)健性。
3.3 基于SHAP分析的模型可解釋性與特征重要性
采用SHAP分析來(lái)解釋RF模型并量化每個(gè)特征的貢獻(xiàn)。基于平均絕對(duì)SHAP值的特征重要性排序，確定了預(yù)測(cè)LNM-epRLN的前十個(gè)預(yù)測(cè)因子：TCLNMR、氣管前NLNM、氣管前LNMR、TCNLNM、年齡、腫瘤大小、氣管旁LNMR、TCLNM、氣管旁NLNM和對(duì)側(cè)氣管旁LNMR。條形圖顯示了轉(zhuǎn)移病例（紅色）和非轉(zhuǎn)移病例（藍(lán)色）的分布。SHAP匯總圖說(shuō)明了特征值與預(yù)測(cè)概率之間的方向關(guān)系。較高的TCLNMR、氣管前NLNM、氣管前LNMR、TCNLNM、年齡和腫瘤大小值與LNM-epRLN風(fēng)險(xiǎn)增加持續(xù)相關(guān)。使用SHAP交互圖進(jìn)一步可視化了特征之間的交互效應(yīng)。決策圖說(shuō)明了每個(gè)特征對(duì)最終預(yù)測(cè)的個(gè)體貢獻(xiàn)，突出了支撐模型輸出的樣本特異性推理過(guò)程。每條線代表一名患者，SHAP值表示每個(gè)特征影響的大小和方向。
對(duì)特征貢獻(xiàn)的定量評(píng)估顯示，TCLNMR是最具影響力的預(yù)測(cè)因子（SHAP重要性：0.130，貢獻(xiàn)度：18.97%），其次是TCNLNM（0.119，17.37%）、氣管前NLNM（0.103，15.03%）、腫瘤大小（0.075，10.97%）和氣管旁NLNM（0.051，7.36%）。這些特征的組合貢獻(xiàn)構(gòu)成了模型預(yù)測(cè)輸出的主要部分。
4 討論
據(jù)我們所知，這是首個(gè)專(zhuān)門(mén)為cN0-PTC患者預(yù)測(cè)LNM-epRLN而開(kāi)發(fā)和驗(yàn)證ML模型的研究。RF算法表現(xiàn)出強(qiáng)大的預(yù)測(cè)性能，AUC為0.919。SHAP分析確定了中央?yún)^(qū)淋巴結(jié)轉(zhuǎn)移負(fù)荷，特別是TCLNMR，是最具影響力的預(yù)測(cè)因子，將LNM-epRLN風(fēng)險(xiǎn)評(píng)估從主觀判斷轉(zhuǎn)變?yōu)槎亢涂山忉尩目蚣堋?/div>
盡管LN-epRLN亞區(qū)的臨床相關(guān)性在歷史上被忽視，但早期的研究幫助定義了該區(qū)域并報(bào)告了從2.51%到3.76%的轉(zhuǎn)移率。我們的研究結(jié)果證實(shí)了中央?yún)^(qū)LNM是一個(gè)關(guān)鍵風(fēng)險(xiǎn)因素，并通過(guò)SHAP進(jìn)一步量化了其主導(dǎo)作用，其中TCLNMR是最顯著的貢獻(xiàn)者。這強(qiáng)調(diào)了中央?yún)^(qū)整體的腫瘤負(fù)荷，而非孤立的淋巴結(jié)轉(zhuǎn)移，是LNM-epRLN的主要驅(qū)動(dòng)因素。這一觀察與之前的報(bào)告一致，即超過(guò)93%的LN-epRLN陽(yáng)性患者表現(xiàn)出并發(fā)的中央?yún)^(qū)LNM。
甲狀腺手術(shù)的一個(gè)核心挑戰(zhàn)是在徹底清掃和手術(shù)風(fēng)險(xiǎn)之間取得平衡。LN-epRLN清掃在解剖學(xué)上要求高，由于靠近RLN和甲狀旁腺，增加了并發(fā)癥的擔(dān)憂。然而，留下轉(zhuǎn)移性淋巴結(jié)會(huì)增加復(fù)發(fā)風(fēng)險(xiǎn)并使未來(lái)的再次手術(shù)復(fù)雜化。傳統(tǒng)的決策在很大程度上依賴(lài)于外科醫(yī)生的經(jīng)驗(yàn)。通過(guò)SHAP可解釋性增強(qiáng)后，我們的RF模型提供了對(duì)LNM-epRLN風(fēng)險(xiǎn)的個(gè)體化、可視化評(píng)估。這與預(yù)測(cè)治療方法異質(zhì)性效應(yīng)的目標(biāo)一致，即提倡使用模型來(lái)指導(dǎo)個(gè)體化治療，識(shí)別最有可能從特定干預(yù)中受益的患者。從而使外科醫(yī)生能夠根據(jù)風(fēng)險(xiǎn)高低調(diào)整清掃范圍，在高風(fēng)險(xiǎn)病例中更積極，在低風(fēng)險(xiǎn)病例中更保守，并根據(jù)精準(zhǔn)手術(shù)的原則優(yōu)化風(fēng)險(xiǎn)收益平衡。
最近的多中心研究已成功開(kāi)發(fā)了用于預(yù)測(cè)PTC側(cè)頸淋巴結(jié)轉(zhuǎn)移的ML模型，證明了此類(lèi)方法的可行性和價(jià)值。同時(shí)，其他研究強(qiáng)調(diào)了整合多模態(tài)數(shù)據(jù)的潛力。我們的研究為特定且具挑戰(zhàn)性的LN-epRLN亞區(qū)提供了一個(gè)聚焦的模型。正如TRIPOD-AI指南所強(qiáng)調(diào)的，透明的報(bào)告和外部驗(yàn)證是轉(zhuǎn)化的下一步。因此，這項(xiàng)工作的合理進(jìn)展是在多個(gè)機(jī)構(gòu)進(jìn)行外部驗(yàn)證，以評(píng)估其普遍性。
預(yù)測(cè)模型的臨床轉(zhuǎn)化不僅取決于其準(zhǔn)確性，還取決于其所指導(dǎo)程序的安全性及其決策過(guò)程的透明度。在我們的隊(duì)列中，與未清掃的患者相比，清掃組在手術(shù)時(shí)間、住院時(shí)長(zhǎng)、出血、神經(jīng)損傷或乳糜漏方面沒(méi)有顯著差異。盡管清掃組的術(shù)后引流量較高（P=0.03），這很可能反映了更廣泛的組織切除，但這并未轉(zhuǎn)化為出血臨床風(fēng)險(xiǎn)的增加。這些發(fā)現(xiàn)為模型引導(dǎo)方法的安全性提供了初步支持。此外，為了提高技術(shù)精確性，我們采用了互補(bǔ)的術(shù)中技術(shù)。首先，使用碳納米顆粒進(jìn)行淋巴管繪圖，有助于甲狀旁腺保護(hù)和淋巴結(jié)可視化。在LN-epRLN的狹小解剖空間中，該技術(shù)有助于區(qū)分淋巴組織與神經(jīng)和腺體結(jié)構(gòu)。其次，根據(jù)國(guó)際標(biāo)準(zhǔn)，常規(guī)使用RLN術(shù)中神經(jīng)監(jiān)測(cè)（IONM）。這種做法提供實(shí)時(shí)功能反饋，有助于在手術(shù)視野中識(shí)別神經(jīng)，對(duì)于在關(guān)鍵的LN-epRLN區(qū)域進(jìn)行清掃時(shí)預(yù)防醫(yī)源性損傷至關(guān)重要。結(jié)合使用這些技術(shù)旨在最大限度地提高在該高風(fēng)險(xiǎn)區(qū)域進(jìn)行精確清掃的安全性。
值得注意的是，我們開(kāi)發(fā)了一個(gè)僅包含七個(gè)關(guān)鍵預(yù)測(cè)因子的簡(jiǎn)化模型，這在保留高預(yù)測(cè)準(zhǔn)確性的同時(shí)，顯著增強(qiáng)了臨床實(shí)用性。這些特征大多可以通過(guò)術(shù)前超聲評(píng)估和術(shù)中冰凍切片分析獲得，使得模型的實(shí)時(shí)應(yīng)用成為可能。SHAP決策圖和力圖通過(guò)說(shuō)明每個(gè)特征對(duì)個(gè)體患者最終預(yù)測(cè)的貢獻(xiàn)，進(jìn)一步增強(qiáng)了模型的透明度，有效地將“黑箱”模型轉(zhuǎn)變?yōu)榭山忉尩摹安Ａ洹薄＿@種透明度對(duì)于建立臨床信任和促進(jìn)外科醫(yī)生接受該模型至關(guān)重要。
本研究有幾個(gè)局限性。首先，其單中心、回顧性設(shè)計(jì)存在固有的選擇偏倚，可能限制了研究結(jié)果的普遍性。該模型是在單個(gè)機(jī)構(gòu)具有特定手術(shù)和病理方案的數(shù)據(jù)上開(kāi)發(fā)和驗(yàn)證的。其次，盡管我們的隊(duì)列規(guī)模不小，但LNM-epRLN仍是一個(gè)相對(duì)罕見(jiàn)的事件，導(dǎo)致用于模型訓(xùn)練的陽(yáng)性病例數(shù)量有限（n=29）。這種類(lèi)別不平衡雖然反映了該特定亞區(qū)的臨床現(xiàn)實(shí)，但可能導(dǎo)致模型敏感性中等，并強(qiáng)調(diào)了未來(lái)工作中需要更大規(guī)模、匯總的數(shù)據(jù)集。最后，模型在測(cè)試集中0.500的敏感性表明仍有改進(jìn)空間，未來(lái)工作應(yīng)致力于識(shí)別額外的預(yù)測(cè)特征或采用技術(shù)來(lái)處理類(lèi)別不平衡問(wèn)題。
5 結(jié)論
在這項(xiàng)研究中，我們成功地為cN0 PTC患者的LNM-epRLN預(yù)測(cè)開(kāi)發(fā)并驗(yàn)證了一個(gè)可解釋的ML框架。RF模型表現(xiàn)出優(yōu)越的性能，達(dá)到了0.919的高AUC。通過(guò)SHAP分析，我們識(shí)別并量化了關(guān)鍵預(yù)測(cè)因子的重要性，其中TCLNMR是最具影響力的因素。一個(gè)僅使用七個(gè)臨床可及特征的簡(jiǎn)化模型保留了強(qiáng)大的預(yù)測(cè)能力，增強(qiáng)了其融入實(shí)際手術(shù)流程的潛力。
這個(gè)可解釋的模型提供了一個(gè)數(shù)據(jù)驅(qū)動(dòng)的工具，可以幫助外科醫(yī)生就高風(fēng)險(xiǎn)LN-epRLN區(qū)域的清掃做出個(gè)體化的術(shù)中決策。通過(guò)提供轉(zhuǎn)移風(fēng)險(xiǎn)的定量評(píng)估，它旨在優(yōu)化腫瘤切除徹底性與RLN功能保護(hù)之間的關(guān)鍵平衡。未來(lái)的工作必須優(yōu)先在多個(gè)中心的前瞻性隊(duì)列中進(jìn)行外部驗(yàn)證，以嚴(yán)格評(píng)估該模型在不同實(shí)踐環(huán)境中的普遍性和臨床效用。在成功驗(yàn)證之后，結(jié)合額外的生物標(biāo)志物可能會(huì)進(jìn)一步提高預(yù)測(cè)準(zhǔn)確性，最終目標(biāo)是建立一個(gè)用于推進(jìn)甲狀腺癌精準(zhǔn)手術(shù)的AI輔助決策系統(tǒng)。
