摘要目的:甲状腺微小乳头状癌(papillary thyroid microcarcinoma,PTMC)的发病率逐年升高,部分患者会发生中央区淋巴结转移(central lymph node metastasis,CLNM),本研究旨在提供可靠的机器学习(machine learning,ML)模型来预测PTMC患者发生CLNM的概率.方法:我们从2010-2017年的监测、流行病学和结果(surveillance,epidemiology,and end results,SEER)数据库中提取27 251例PTMC患者的数据.并构建极端梯度提升(eXtreme gradient boosting,XGB)、随机森林(random forest,RF)、决策树(decision tree,DT)、逻辑回归(logistic regression,LR)、多层感知器(multilayer perceptron,MLP)与朴素贝叶斯(bernoulli naive bayes,BNB)等6种机器学习模型来预测患者的淋巴结转移风险.此外,我们通过各种指标对模型的性能进行评估来选择最佳模型,并对影响患者出现CLNM的变量重要性进行排序.结果:在6种机器学习模型中,XGB模型的表现最佳,在训练集的曲线下面积(area under curve,AUC)为0.87,准确率为0.89,精确率为0.89,在测试集的AUC为0.77,准确率为0.88,精确率为0.84.在该模型中对患者发生CLNM影响最大的因素为甲状腺腺外侵犯(extra-thyroidal extension,ETE).结论:在本研究中,我们开发了多种机器学习模型来预测PTMC患者的CLNM风险,其中XGB模型具有最佳预测效能,通过该模型更有助于临床医生进行决策.