PMRA og Shapley-baseret maskinlæring til forudsigelse af lymfeknude-metastase i centrale underregioner af klinisk node-negativ papillær skjoldbruskkirtelmikarcinom: En potentiel multicentervalidering og udvikling af en webberegner (PMRA)

Baggrund: Håndtering af klinisk node-negativ (CN0) papillær skjoldbruskkirtelmikarcinom (PTMC) kompliceres af høj okkulte lymfeknude-metastase (LNM) hastigheder. Vi havde til formål at udvikle og validere en forudsigelsesmodel for Central LNM ved hjælp af Machine Learning (ML) og traditionelle nomogrammer gennem sandsynlighedsbaseret rangeringsmodel tilgang (PMRA).

Metoder: Vi gennemførte en potentiel multicenterundersøgelse, der involverede 4.882 patienter på tværs af 3 hospitaler (2016-2023). Efter anvendelse af inkluderingskriterier blev 1.953 patienter fra det primære center tildelt til model tog og test (7: 3 -forhold). Ekstern validering inkluderede potentielle kohorter af 286 og 176 patienter fra to uafhængige centre.13 ML -algoritmer og traditionelle nomogrammodeller blev systematisk evalueret ved hjælp af PMRA.Vi sammenlignede modeller ved hjælp af præoperative funktioner alene i forhold til dem, der inkorporerede både præoperative og intraoperative frosne sektionspatologidata. Funktionsvalg anvendte seks metoder, med L1-baseret selektion, der viser sig at være optimal for de fleste forudsigelser.Model tolkbarhed blev forbedret gennem Shapley Additive forklaringer (form) visualisering.