Uczenie maszynowe oparte na PMRA i Shapley do przewidywania przerzutów węzłów chłonnych w środkowych podregionach klinicznie ujemnego mikrokariniaka brodawkowego: prospektywna walidacja wieloośrodkowa i opracowanie kalkulatora internetowego kalkulatora internetowego (PMRA)

Tło: Postępowanie klinicznie węzłów ujemnych (CN0) brodawkowatego mikrokarcinaka tarczycy (PTMC) jest komplikowane przez wysokie przerzuty do węzłów chłonnych (LNM). Staraliśmy się opracować i potwierdzić model prognozy dla centralnego LNM przy użyciu uczenia maszynowego (ML) i tradycyjnych nomogramów poprzez podejście modelu opartego na prawdopodobieństwie (PMRA).

Metody: Przeprowadziliśmy prospektywne wieloośrodkowe badanie z udziałem 4 882 pacjentów w 3 szpitalach (2016-2023). Po zastosowaniu kryteriów włączenia, 1 953 pacjentów z centrum pierwotnego przydzielono do modelu pociągu i testu (stosunek 7: 3). Walidacja zewnętrzna obejmowała potencjalne kohorty 286 i 176 pacjentów z dwóch niezależnych centrów. 13 Algorytmy ML i tradycyjne modele nomogramów były systematycznie oceniane za pomocą PMRA. Porównaliśmy modele z wykorzystaniem samych cech przedoperacyjnych w porównaniu z tymi, które obejmują zarówno przedoperacyjne, jak i śródoperacyjne dane patologii zamrożonej sekcji. Wybór funkcji wykorzystywał sześć metod, a selekcja oparta na L1 okazała się optymalna dla większości prognoz. Interpretacja modelu została zwiększona poprzez wizualizację wyjaśnień addytywnych Shapley (SHAP).