基于可解释机器学习模型术前预测肢端黑色素瘤区域淋巴结转移的开发与验证

《Scientific Reports》：Machine learning model for predicting regional lymph node metastasis in acral melanoma

　　摘要肢端黑色素瘤（AM）是皮肤黑色素瘤的一种侵袭性亚型，其特征是诊断延迟和预后不良。准确且无创地评估区域淋巴结转移（RLNM）仍然是一项重大的临床挑战。本研究旨在开发一个可解释的机器学习（ML）模型，以在术前预测AM患者的RLNM。回顾性分析了189例经组织学确诊的AM患者的临床、病理和影像学数据。患者按7:3的比例随机分为训练队列（n = 132）和内部验证队列（n = 57）。使用Boruta和最小绝对收缩和选择算子（LASSO）回归在训练队列中筛选候选变量。通过仅在训练队列内进行的嵌套交叉验证比较了七种算法；最终算法根据预先指定的折外区分度和校准的复合指标进行选择。决策阈值固定在训练折外预测上。内部验证队列只评估一次，且模型和阈值事先锁定。使用SHAP（Shapley加性解释）分析解释锁定模型，并在未触及的验证队列上对传统的Breslow/TNM基模型进行了校准、决策曲线分析（DCA）和DeLong检验。保留了五个预测因子：Breslow厚度、淋巴结短轴直径、对比增强超声（CEU）阳性表现、血管侵犯和正电子发射断层扫描/计算机断层扫描（PET-CT）阳性表现。在训练队列中，七种算法的折外曲线下面积（AUC）范围为0.850至0.877。根据预先指定的复合规则，选择了GradientBoost模型并锁定；在内部验证队列中，其实现了单个锁定的AUC 0.868（95%置信区间0.769–0.967），灵敏度为0.889（95%置信区间0.762–1.000），特异性为0.733（95%置信区间0.565–0.885）。锁定模型显著优于仅Breslow厚度逻辑模型（AUC 0.610，DeLong p = 0.0002）和分类T分期（TNM-T）逻辑模型（AUC 0.562，DeLong p < 0.001）。校准充分（斜率1.02，截距-0.63，Brier分数0.156），DCA在临床相关的阈值概率范围内显示了对传统模型的正向净收益。本研究开发了一个基于机器学习的无创诊断模型，可有效评估AM患者的区域淋巴结转移风险。锁定的梯度提升模型保持了良好的区分度和校准度，并优于传统的Breslow/TNM基模型。这种无创模型可能有助于评估AM患者的RLNM风险。