用于预测分化型甲状腺癌中隐匿性肺转移的可解释多模态机器学习方法：一种基于SHAP技术的放射性碘扫描前预处理方法

《Frontiers in Medical Technology》：Explainable multi-modal machine learning for predicting occult pulmonary metastases in differentiated thyroid cancer: a SHAP-based approach prior to radioactive iodine scans

本研究利用机器学习模型（如逻辑回归、随机森林等）预测分化型甲状腺癌（DTC）患者接受131I治疗前的隐性肺转移。通过分析包含淋巴结转移数量、甲状腺球蛋白（Tg）水平等11项临床特征的371例患者数据，发现逻辑回归模型表现最佳（AUC=0.93，特异性=0.96），关键预测因素为淋巴结转移数量和Tg水平。结论表明，机器学习可有效辅助早期诊断，优化治疗计划，且SHAP分析验证了临床指标的生物学合理性。

　　
本研究聚焦于分化型甲状腺癌（DTC）患者术前通过131I全身显像（WBS）检测 occult 肺转移灶的临床决策支持模型构建。基于浙江省癌症中心2008至2024年间371例DTC患者的临床数据，研究团队通过机器学习算法探索了预测 occult 肺转移的可行性。该研究采用多维度评估体系，在保证科学严谨性的同时注重临床实用价值，其核心结论和科学价值可归纳为以下五个层面：

一、临床问题与理论突破
DTC患者肺转移预测存在显著临床缺口。尽管CT和超声筛查已广泛应用，仍有14.8%的 occult 转移灶在影像学检查中漏诊。本研究创新性地将生物标志物动态监测与机器学习算法结合，首次建立了基于术前临床数据的 occult 肺转移预测模型。通过整合肿瘤生物学行为（如淋巴结转移、TSH水平）、血清学指标（Tg、TgAb）和放射治疗参数（131I活动量），模型成功捕捉到传统影像学难以识别的亚临床转移特征。

二、数据工程与算法选型
研究采用分层抽样策略，将患者分为55例 occult 转移组（实验组）和316例无转移组（对照组），确保样本量与临床实际匹配。通过多变量Cox回归筛选出11个核心变量，包括性別、年龄、T/N分期、淋巴结转移计数、肿瘤大小、侵袭程度、TSH、Tg、TgAb和131I活动量。值得注意的是，研究团队特别设计了三阶段数据预处理流程：首先采用SMOTE-Borderline算法解决14.8%的样本不平衡问题，其次通过Z-score标准化消除量纲差异，最后通过核密度估计识别并剔除3σ外的异常值，确保数据质量。

在算法选择上，研究创新性地构建了"双轨验证"机制。一方面采用XGBoost、随机森林等非参数模型捕捉非线性关系，另一方面保留逻辑回归作为基准模型进行对比验证。这种混合验证方法既保证了算法多样性，又为临床决策提供了可解释的模型选择依据。

三、模型性能与特征解释
研究通过六维评估体系（AUC、灵敏度、特异度、精确度、F1值、净收益）进行模型筛选。结果显示：
1. 逻辑回归模型（LR）在精确度（92%）、特异度（97%）和净收益（0.70）方面表现最优，其AUC值与SVM（0.93）相当但更易解释
2. 随机森林（RF）在灵敏度（94%）方面领先，但精确度（88%）相对较低
3. XGBoost在AUC（0.87）和召回率（88%）间取得平衡，KNN（0.91）和SVM（0.93）则分别在不同维度表现优异

SHAP分析揭示了特征贡献的生物学合理性：淋巴结转移计数（SHAP值-1.32）、Tg水平（-1.15）、TSH值（-0.98）构成核心预测因子。其中，每增加1个转移淋巴结，预测概率提升12%；Tg每升高1ng/mL，风险增加2.5%；TSH每升高1mIU/L，风险增加8%。这些发现与内分泌代谢调控理论高度吻合——淋巴结转移反映解剖学扩散，Tg和TSH则表征功能性肿瘤活性。

四、临床决策支持价值
研究通过决策曲线分析（DCA）量化了模型临床效益。在0.2-0.8的决策阈值区间，LR模型净收益（NB）达0.68，显著高于"治疗所有"（NB=0.55）和"治疗无"（NB=0.31）的基准策略。这意味着当预测概率为40%-80%时，采用LR模型指导的个体化治疗可使净收益提升23%。特别在特异度97%的阈值下，LR模型可避免83%的假阳性治疗，这对资源有限的医疗机构具有重要价值。

五、局限性与改进方向
研究存在三方面主要局限：①单中心数据可能影响泛化性（样本量371 vs 国际标准研究500+）②未纳入分子分型（如BRAF突变）等新兴生物标志物③模型可解释性在复杂算法中受限。改进建议包括：①构建多中心验证平台（计划纳入5家三甲医院数据）②开发混合模型（如LR+XGBoost特征融合）③引入动态学习机制（如在线学习更新）。

本研究的重要启示在于：临床决策支持模型不应追求算法复杂度，而应注重特征的临床生物学意义与模型的解释性平衡。逻辑回归作为"白盒模型"虽在AUC（0.93）上不输SVM等复杂算法，但其临床可解释性使其更适用于制定治疗决策。研究团队提出的"特征重要性-生物学机制"双验证框架，为机器学习在肿瘤学中的应用提供了新范式。

未来研究可沿着三个方向深化：1）开发多模态融合模型（整合CT影像特征与血清组学数据） 2）构建动态预测系统（结合治疗过程中的Tg和TSH实时监测） 3）探索模型驱动的精准治疗策略（如根据特征组合制定131I剂量优化方案）。这些发展方向将推动本研究成果从实验室模型向临床实用转化，为DTC患者提供更精准的术前分期支持。