基于超声与机器学习结合SHAP的乳腺癌腋窝淋巴结转移预测模型构建与验证

本刊推荐：本研究创新性地整合超声与多普勒特征，利用11种机器学习算法构建梯度提升（Gradient Boosting）模型，通过SHAP（SHapley Additive exPlanations）实现可解释性预测。模型在双中心验证中展现卓越性能（AUC 0.975-0.987），显著优于传统临床评分（Logical/Tumor/Tenon score），为乳腺癌腋窝淋巴结（ALN）转移提供无创、精准术前评估工具。

　　

研究背景与意义

乳腺癌作为全球女性最常见恶性肿瘤，其腋窝淋巴结（ALN）转移状态是预后评估和治疗决策的关键依据。传统超声评估存在主观性强、操作者依赖性高等局限性，而现有机器学习模型多缺乏可解释性和多中心验证。本研究旨在通过整合超声与多普勒特征，构建可解释的机器学习预测模型，实现ALN转移的精准术前预测。

研究方法

本研究采用回顾性双中心设计，共纳入405例乳腺癌患者（厦门大学附属妇女儿童医院303例，龙岩市第一医院102例）。所有患者术前均接受标准化超声和多普勒检查，由经验丰富的放射科医师盲法评估。通过递归特征消除（RFE）和SHAP值分析筛选关键预测因子，并比较11种机器学习算法性能。最终选用梯度提升（Gradient Boosting）算法构建联合模型，并与Logical评分、Tumor评分及Tenon评分进行性能对比。

关键发现

通过特征重要性排序，研究确定五个核心预测指标：肿瘤直径、皮质髓质比（CH）、淋巴结收缩舒张比值（LNSD）、淋巴结收缩期峰值流速（LNPS）及舒张末期流速（LNEDF）。SHAP分析显示这些特征对模型预测贡献显著，其中肿瘤直径与血流动力学参数呈现正相关关系。

模型性能

联合模型在训练集、内部验证集和外部验证集的AUC分别达0.981、0.975和0.987，显著优于传统评分体系（AUC 0.517-0.700）。校准曲线显示模型具有优异的校准能力（Brier评分0.045-0.061），决策曲线分析（DCA）证实其临床净收益最高。瀑布图可视化展示了个体化预测风险分布，清晰呈现真假阳性/阴性的分类模式。

临床应用

研究开发了基于Streamlit的在线预测 calculator（https://lymphatic-metastasis-2rkk8cjhfei7krq2xmehdy.streamlit.app/），临床医生测试显示其预测准确率达89%，单例评估时间不足1分钟。该工具为临床提供便捷的ALN转移风险评估手段。

机制探讨

从生物学机制角度，预测特征与ALN转移病理生理过程高度吻合：肿瘤直径反映肿瘤负荷与侵袭能力；皮质髓质比体现淋巴结结构破坏；多普勒参数（LNSD、LNPS、LNEDF）则反映肿瘤血管生成（如HIF-1α介导的血管新生）导致的血流动力学改变，这些特征共同构成 metastasis 的影像学生物标志物。

局限与展望

研究存在样本量有限、地域代表性不足等局限性。未来需开展多中心前瞻性研究，整合多模态影像与分子标志物，并评估模型对患者生存结局的实际影响，进一步推动临床转化应用。

结论

本研究成功构建并验证了基于超声和多普勒特征的可解释机器学习模型，为乳腺癌ALN转移提供高精度术前预测工具。模型兼具优异判别能力与临床适用性，有望优化腋窝分期决策，减少不必要的手术干预。