Preoperative prediction of lymph node metastasis risk in papillary thyroid carcinoma based on multiple model comparisons
Notice bibliographique
Résumé
The clinical necessity of lymph node dissection in papillary thyroid carcinoma (PTC) surgery remains contentious. This study compared four logistic regression (LR) models (with distinct feature selection strategies) and four machine learning (ML) models to preoperatively predict lymph node metastasis (LNM) risk in PTC patients, with emphasis on multidimensional evaluation and cross-populational generalizability. Data from 3,175 PTC patients (2021 cohort) were randomly split into training (70%) and testing (30%) subsets, with external validation performed using a Chinese (2024, n = 104) and a Canadian (2019-2022, n = 412) cohort. Twelve predictors were screened, and models were evaluated using metrics of discrimination (AUC), calibration (Brier Score), classification accuracy, and clinical utility. The prevalence of LNM was 34.48%, 36.54%, and 30.10% in the internal, Chinese, and Canadian cohorts, respectively. Among ML models, Random Forest achieved the highest internal AUC (0.767), whereas XGBoost demonstrated superior generalization (external AUCs: 0.785 and 0.725). LR models, particularly BestSubset-GLM, outperformed these ML models with an internal AUC of 0.770 and external AUCs of 0.831 and 0.785. Notably, BestSubset-GLM exhibited high specificity (0.86), precision (0.59), favorable calibration (Brier Score < 0.20), and robust clinical utility across the approximately 15-90% threshold probability range. Extrathyroidal extension, tumor size above 1.00 cm, younger age, and male gender were identified as key LNM risk factors. Bethesda classification and molecular aberrations were integrated into models. BestSubset-GLM balanced parsimony, interpretability, and generalizability, thereby supporting clinical decision-making through dynamic nomograms. Comprehensive evaluation beyond AUC is crucial.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».