文摘目的构建并验证多灶性甲状腺乳头状癌(multifocal papillary thyroid carcinoma,MPTC)高容量淋巴结转移(high-volume lymph node metastasis,HVM)的列线图预测模型。方法选取2010年1月至2024年1月于杭州市第一人民医院(A中心)及杭州市肿瘤医院(B中心)分别确诊的1146例和234例MPTC患者作为研究对象。A中心患者以7:3的比例采用随机数字表法分成训练集(n=803)和测试集(n=343),B中心34例患者作为外部验证集。通过单因素和多因素Logistic回归分析在训练集中筛选HVM的独立风险因素,并构建列线图预测模型,测试集和外部验证集用以评价模型的泛化能力,通过受试者操作特征曲线下面积(area under the curve,AUC)、敏感度、特异性评价模型的区分能力。结果A中心和B中心发生HVM的概率分别为13.3%和12.8%。单因素及多因素Logistic回归显示,男性(OR=2.91,95%CI:1.835~4.599)、病灶最大径(OR=1.05,95%CI:1.021~1.070)和年龄(OR=0.95,95%CI:0.936~0.972)均为发生HVM的独立风险因素。基于独立风险因素构建列线图预测模型,AUC、敏感度和特异性在训练集中分别为0.767、72.6%和70.2%,在测试集中分别为0.838、94.9%和68.4%,在外部验证集中分别为0.769、63.3%和84.3%。校准曲线显示与理想曲线具有良好的一致性。结论基于临床风险因素构建的预测模型可有效预测MPTC患者发生HVM的概率。
文摘目的:探讨SHAP值在极端梯度提升(Extreme gradient boosting,XGBoost)MRI模型中鉴别腮腺恶性肿瘤(Malignant tumor,MT)与Warthin瘤(Warthin tumor,WT)的价值。方法:回顾分析经手术病理证实的22例22枚MT和38例51枚WT的MRI资料,分析瘤体形态、位置和强化方式,以及T_(1)WI、T_(2)WI、FS-T_(1)WI、FS-T_(2)WI影像征象,经单因素分析筛选有统计学意义的征象,纳入XGBoost模型,使用受试者工作特征曲线下面积(Area under the curve,AUC)、敏感度、特异度评价模型诊断效能。通过可解释机器学习模型(Shapley additive explanations,SHAP)值对模型进行分析,明确各MRI征象在模型中的权重。结果:22枚MT和51枚WT中,持续性强化(P<0.05)、形态不规则(χ^(2)=20.707,P<0.05)、非尾叶(χ^(2)=8.911,P<0.05)、T_(2)WI高信号(χ^(2)=7.581,P<0.05)、FS-T_(1)WI等低信号(P<0.05)、FS-T_(2)WI高信号(χ^(2)=9.016,P<0.05)对鉴别两者有统计学意义,且均更常见于MT中。将6项单因素纳入XGBoost模型分析得出AUC为0.847,敏感度为77.3%,特异度为92.2%;6种MRI征象绝对平均SHAP值为0.21~0.99,其中形态不规则权重最大。结论:形态不规则、T_(2)WI高信号、持续性强化、FS-T_(2)WI高信号、非尾叶、FS-T_(1)WI等低信号对MT和WT鉴别的权重存在差异,对各MRI征象的准确识别,有利于对两者精准诊断。
