推进甲状腺乳头状癌个性化治疗：预测隐匿性淋巴结转移的机器学习模型

亮点

1. RET融合阳性和BRAF突变阳性是临床淋巴结阴性（cN0）甲状腺乳头状癌（PTC）中隐匿性中央区淋巴结转移（OLNM）的独立分子风险因素。

2. 随机森林模型在训练集中的AUC为0.906，在测试集中的AUC为0.733，用于预测OLNM风险。

3. 该模型作为网络计算器供临床使用。

背景

甲状腺乳头状癌（PTC）是最常见的甲状腺癌类型，通常预后良好。然而，淋巴结转移的存在，尤其是术前影像无法检测到的隐匿性转移，可能显著影响治疗决策和患者预后。准确的术前OLNM预测对于优化治疗策略至关重要，特别是在热消融和低风险PTC主动监测的时代。

研究设计

这项回顾性研究分析了2018年8月至2023年8月期间接受治疗的961例cN0 PTC患者的数据。队列随机分为训练集和测试集，部分肿瘤≤1 cm的患者被提取用于内部验证。开发了八个结合临床、超声和分子特征的机器学习模型。通过Shapley Additive exPlanations（SHAP）增强了模型的可解释性。

主要发现

研究确定RET融合阳性和BRAF突变阳性是cN0 PTC中OLNM的独立分子风险因素，同时还有六个临床和超声变量。最终预测模型纳入了九个预测因子。随机森林模型表现出最佳性能，训练集中的AUC为0.906，测试集中的AUC为0.733，Brier分数较低，表明校准良好。在肿瘤≤1 cm的内部验证中，AUC为0.719，证实了模型的稳健性。SHAP分析显示肿瘤大小、患者年龄和簇状点状强回声病灶是OLNM的顶级预测因子。

专家评论

这项研究代表了PTC患者个性化风险评估的重要进展。识别RET融合阳性作为OLNM的独立风险因素尤其值得注意，因为它可能有助于精炼手术决策。虽然该模型显示出前景，但仍需要进一步的前瞻性验证以确认其在不同人群中的临床实用性。

结论

开发的随机森林模型通过整合多模态数据，为cN0 PTC患者提供了一个临床上有用的工具，用于预测OLNM风险。基于网络的计算器便于在临床实践中实施，可能指导更个性化的治疗方案。未来的研究应关注前瞻性验证和探索额外的分子标记，以进一步提高预测准确性。

资金来源和ClinicalTrials.gov

该研究未报告具体的资金来源或ClinicalTrials.gov注册信息。