基于多模态数据的可解释机器学习模型预测乳腺癌腋窝淋巴结转移：一项回顾性单中心研究

本研究针对乳腺癌腋窝淋巴结转移(ALNM)术前评估的临床挑战，开发了整合超声、MRI和病理标志物的可解释机器学习模型。山东第二医科大学附属医院团队通过10种算法对比分析，发现朴素贝叶斯模型表现最优(AUC达0.902)，关键预测因子包括淋巴结实质厚度、肿瘤宽度等。SHAP分析增强了模型透明度，为个体化治疗决策提供了可靠工具，有望减少不必要的手术创伤。

　　

山东第二医科大学附属医院的研究团队在《Journal of Translational Medicine》发表了一项突破性研究，揭示了机器学习在乳腺癌精准诊疗中的新应用。腋窝淋巴结状态作为乳腺癌分期和治疗决策的关键指标，传统评估方法面临巨大挑战：虽然前哨淋巴结活检(SLNB)已成为标准手段，但仍有7-18%的假阴性率，且术后约8%患者会出现淋巴水肿等并发症。更棘手的是，当前常用的MRI和超声检查敏感性不足，诊断结果高度依赖医师经验，这种"主观性强、误差率高"的现状亟需客观量化工具的革新。

研究人员创新性地将临床易获取的5项指标——淋巴结实质厚度、淋巴结肿大(MRI)、肿瘤宽度、雌激素受体(ER)和孕激素受体(PR)状态，通过LASSO回归筛选后，构建了10种机器学习模型。研究采用401例经病理确诊的乳腺癌患者数据，70%用于训练、30%用于验证，通过SHAP方法破解算法"黑箱"。关键技术包括：多模态数据整合(超声+MRI+病理)、LASSO特征选择(惩罚系数λ=1.0)、10折交叉验证，以及创新的SHAP值可视化分析。

基线特征

纳入的401例患者年龄25-83岁(平均55.4±11.4岁)，训练集280例(ALN阳性119例)，验证集121例(ALN阳性53例)。受限三次样条(RCS)分析显示，淋巴结实质厚度与ALNM风险呈非线性相关(P<0.05)，而肿瘤宽度呈线性相关，1.35cm为风险阈值。

模型性能比较

朴素贝叶斯模型展现出最佳预测效能：验证集AUC达0.902(95%CI:0.8387-0.9654)，显著优于逻辑回归(AUC:0.842)和随机森林(AUC:0.815)。其临床净收益在阈值概率0.07-0.988区间表现稳定，但需注意Hosmer-Lemeshow检验显示校准度有待提升(P=0.000)。

模型解释性

SHAP分析揭示淋巴结实质厚度是最关键预测因子(SHAP值0.6)，其次是肿瘤宽度(0.606)和淋巴结肿大。有趣的是，虽然ER/PR状态贡献度较低，但纳入这些分子特征使模型AUC从86.2%提升至90.2%，证实多参数整合的价值。

这项研究通过可解释的机器学习框架，首次证实临床常规指标构建的简约模型可达到甚至超越复杂深度学习模型的性能。其创新点在于：① 突破传统影像学诊断的主观局限，将淋巴结实质厚度等客观指标量化；② 通过SHAP实现预测过程可视化，满足临床对算法透明度的需求；③ 模型参数均来自常规检查，便于临床推广。尽管存在回顾性研究的固有局限，该成果为乳腺癌精准腋窝分期提供了新范式，未来通过纳入组织学类型等更多特征，有望进一步优化模型性能。