换一批早期乳腺癌腋窝淋巴结转移风险的可解释机器学习预测模型建立和验证
Establishing and validating an explainable machine learning prediction model for the risk of axillary lymph node metastasis in early breast cancer
摘要目的 通过开发具有可解释性的机器学习(ML)预测模型,以准确预测早期乳腺癌(EBC)患者的腋窝淋巴结(ALN)状态.方法 回顾性收集2014年1月1日至2023年9月10日嘉兴大学医学院附属嘉兴市妇幼保健院乳腺科收治的957例EBC患者的临床病理及超声检查资料,根据前哨淋巴结活检结果将患者分为ALN转移和未转移组,并随机分为训练集717例和验证集240例.首先采用最小绝对收缩和选择算子(LASSO)回归进行变量筛选,随后利用4种不同的ML算法构建预测模型,通过性能比较筛选出最佳模型.结果 957例患者中,212例出现ALN转移.LASSO回归筛选出淋巴血管侵犯、腋窝超声表现和最大直径3项特征作为预测因素.在4种模型中,逻辑回归(LR)模型表现最佳,其训练集和验证集的AUC分别为0.817(95％CI:0.775～0.860)和0.804(95％CI:0.733～0.875).决策曲线分析显示,LR模型在广泛的阈值概率范围内均能提供最高净获益.进一步通过沙普利加性解释方法对LR模型进行可视化解释,揭示淋巴血管侵犯为预测ALN转移的最关键因素.结论 基于临床病理特征与腋窝超声表现构建的ML预测模型在预测EBC患者ALN转移中表现优异,可为临床决策和手术方案优化提供关键支持.
更多相关知识
关键词
早期乳腺癌腋窝淋巴结机器学习预测模型沙普利加性解释Early breast cancerAxillary lymph nodesMachine learningPrediction modelSHapley Additive exPlanations
栏目名称
DOI
10.12056/j.issn.1006-2785.2025.47.7.2024-1680
发布时间
2025-05-12（万方平台首次上网日期，不代表论文的发表时间）
基金项目
浙江省医药卫生科技计划项目（2023RC100）
- 浏览20
- 被引0
- 下载23
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
