《Frontiers in Endocrinology》：The value of machine learning models in predicting lung metastasis in papillary thyroid carcinoma
编辑推荐：
目的：构建机器学习（ML）模型以预测甲状腺乳头状癌（PTC）患者肺转移风险。方法：这项回顾性研究纳入681例首次接受放射性碘（RAI）治疗的PTC患者，其中71例诊断为肺转移（10.4%）。研究人员评估了患者年龄、性别、131I治疗前刺激甲状腺球蛋白（s-Tg
目的：构建机器学习（ML）模型以预测甲状腺乳头状癌（PTC）患者肺转移风险。方法：这项回顾性研究纳入681例首次接受放射性碘（RAI）治疗的PTC患者，其中71例诊断为肺转移（10.4%）。研究人员评估了患者年龄、性别、131I治疗前刺激甲状腺球蛋白（s-Tg）水平、单侧或双侧腺叶受累、最大肿瘤直径、侵袭性肿瘤数目（根据术后病理报告提取，定义为甲状腺外扩展累及结构数）、以及T和N状态。数据集按7:3随机分为训练集与测试集，采用最小绝对收缩与选择算子（LASSO）回归进行特征筛选；构建逻辑回归（LR）、随机森林（RF）、支持向量机（SVM）与极端梯度提升（XGBoost），采用10折交叉验证，并通过受试者工作特征（ROC）曲线、校准曲线、精确率-召回率曲线下面积（AUPRC）和决策曲线分析（DCA）评估。结果：最终模型入选特征为最大肿瘤直径、侵袭性肿瘤数目和s-Tg。RF模型曲线下面积（AUC）最高为0.935，SVM泛化能力最低（AUC=0.863）；LR测试集AUC为0.928，因交叉验证中AUPRC最高（0.74）且泛化更优被选为最终模型，DCA显示其在多数阈值概率下净获益超过其他模型，并以列线图展示LR结果。结论：LASSO回归提示原发肿瘤大、侵袭结构数多、131I治疗前s-Tg高水平是PTC肺转移危险因素；所建ML模型中LR模型在预测PTC肺转移方面表现良好。
研究背景方面，甲状腺乳头状癌（Papillary Thyroid Carcinoma, PTC）占所有甲状腺癌约85%至90%，总体生存较好，但发生远处转移后预后明显恶化，肺是PTC最常见远处转移部位。当前肺转移判定与131I治疗剂量选择多依赖传统临床评估和经验性方案，风险分层不够精准，容易漏判复杂数据中的关键模式。因此，研究人员在《Frontiers in Endocrinology》发表该研究，旨在利用机器学习（Machine Learning, ML）整合基线人口学、临床与实验室信息，构建可解释的PTC肺转移预测模型并配套列线图，以支持早期识别高危患者和个体化术后管理。
主要关键技术方法上，研究人员采用中南大学湘雅医学院附属肿瘤医院核治疗科2017年1月至2020年6月首次接受RAI治疗的PTC回顾性队列，共681例，按7:3划分为训练集与验证集；连续变量经Z-score标准化且预处理仅在训练集拟合后应用于验证集以防数据泄漏；以LASSO回归筛选特征，再构建LR、RF、SVM、XGBoost四类模型，超参数用网格搜索调优，训练集内做10折交叉验证，不平衡数据同时用ROC、AUPRC、校准曲线与DCA评价。
研究结果部分，3.1患者基本特征中，研究人员通过比较发现单侧或双侧腺叶受累、最大肿瘤直径、侵袭性肿瘤数目、T分期与s-Tg在肺转移组和非转移组差异显著，性别、年龄、N分期无显著差异。3.2 LASSO回归筛选变量中，以10折交叉验证选lambda.1se，最终保留最大肿瘤直径、侵袭性肿瘤数目、s-Tg；多因素二分类逻辑回归确认三者为独立危险因素，肿瘤大小比T分期提供更直接预后信息。3.3机器学习模型构建与性能评价中，验证集LR、RF、SVM、XGBoost的AUC分别为0.928、0.935、0.863、0.924，AUPRC分别为0.74、0.66、0.65、0.66；RF的AUC略高但LR在少数类表现和临床可解释性更优，LR灵敏度0.500、特异度0.992、阳性预测值0.875、阴性预测值0.946；DCA中LR在多数阈值净获益最高，10折交叉验证平均AUC为0.9143，高于RF的0.9007。3.4 LR模型校准曲线中，训练集预测概率与观测结局吻合好，验证集有可接受偏离。3.5列线图分析中，研究人员基于LR用训练集构建列线图，将侵袭性肿瘤数目、最大肿瘤直径、s-Tg赋分求和得到肺转移概率，便于床旁风险量化。
讨论部分总结，研究人员指出最大肿瘤直径、甲状腺外扩展累及结构数、s-Tg与既往PTC肺转移危险因素一致；在不平衡数据中AUPRC比AUC更能反映少数类性能，LR以较高AUPRC、稳定交叉验证和可解释性胜出；低灵敏度源于正类仅71例、模型倾向多数类的固有挑战，与已有文献结果相近；相较于SMOTE重采样的SEER大样本模型，本研究重解释性与临床落地，且专注肺转移而非骨/肺联合转移。局限性为单中心回顾性、仅内部验证、肺转移多靠影像与Tg随访确认、未纳入BRAF V600E或TERT等分子及放射组学特征。
结论部分翻译为：LR模型对接受RAI治疗的PTC患者肺转移具有良好预测性能，在大多数阈值概率下净获益较优；该模型提供了一种简单、可解释的风险分层工具，可支持临床决策并促进个体化随访规划。
