一种基于超声检查和机器学习的非侵入性方法，用于胸段食管癌患者的选择性颈淋巴结清扫术

《International Journal of Surgery》：A non-invasive approach based on ultrasonography and machine learning for selective cervical lymphadenectomy in thoracic esophageal cancer

食管鳞癌手术中颈部淋巴结清扫的机器学习预测模型研究显示，基于超声和临床特征的随机森林模型准确率达68%，AUC 0.72，优于传统 nomogram，最大淋巴结直径是关键预测指标。

　　```section>

摘要 通俗语言总结

---

背景：

食管鳞状细胞癌（ESCC）手术中颈淋巴结清扫的作用仍存在争议。本研究旨在探索一种结合超声和临床特征的机器学习（ML）方法，以非侵入性方式评估ESCC患者的颈淋巴结受累情况。

材料与方法：

数据集包含887名接受手术并随后对其颈淋巴结进行病理检查的ESCC患者。研究人员选取了若干ML模型，利用患者特征和超声检查结果来预测淋巴结转移情况。这些模型通过五折交叉验证进行了测试，并与基线判别图进行了对比。通过排列得分量化了每个预测变量的重要性。

结果：

在所有患者中，32.1%的患者确诊有颈淋巴结转移。随机森林模型的平均准确率为0.68（95%置信区间：0.65-0.71），曲线下面积为0.72（0.71-0.74），F1分数为0.56（0.54-0.58），与其他模型相当（p>0.1）。所有ML模型的预测能力均优于基线判别图（p<0.05）。其中，最重要的预测因素是超声测得的颈淋巴结最大直径。综合考虑多种基线特征的模型表现优于仅使用超声数据的模型（p<0.001），而术中病理检查并未提升预测效果。

结论：

本研究强调了超声在诊断ESCC患者颈淋巴结转移方面的价值，并提出了一种基于ML的非侵入性方法，用于指导淋巴结清扫的决策。该预测模型有助于优化手术计划并实现个性化治疗策略。

通俗语言总结：本研究利用机器学习（ML）技术预测食管鳞状细胞癌（ESCC）患者的颈淋巴结受累情况，旨在改进手术方案。研究人员分析了887名患者的数据，结合超声和临床信息训练ML模型。随机森林模型表现良好，准确率为0.68，曲线下面积为0.72，与其他模型相当。所有ML模型的预测能力均优于传统方法。最重要的预测因素是超声测得的颈淋巴结最大直径。这种方法有助于制定个性化的手术方案，减少侵入性操作的必要性。

本文本由机器生成，可能存在不准确之处。常见问题解答

```