基于多变量分析和机器学习的肺结节恶性风险预测模型的开发与验证

摘要:

目的:旨在开发一个稳健且具有广泛适用性的针对肺结节恶性风险的预测模型，以提高肺结节恶性风险诊断的准确性。方法:回顾性收集在川北医学院附属医院和广安市人民医院诊断并治疗的1 414例肺结节患者的临床数据，通过Meta分析和最小绝对收缩与选择算子(LASSO)筛选与肺结节恶性风险相关的预测因子，通过多变量逻辑回归(LR)进一步优化，确定关键特征。在此基础上，构建了基于这些特征的8种机器学习模型，并通过受试者工作特征(ROC)曲线、校准曲线和临床决策曲线分析(DCA)在训练集和内部验证集中评估模型性能。表现最佳的模型被用于开发列线图，用于患者的风险分层。结果:通过Meta分析、LASSO回归和多变量LR的综合筛选，最终确定了10个关键预测因子，并将其整合至8种不同的机器学习模型中。模型评估显示，LR模型表现最佳，在内部验证集中达到了0.843的曲线下面积(AUC)。此外，基于该模型衍生的列线图在外部时间测试队列中展现了较强的预测能力，AUC为0.770。基于列线图计算的风险评分将患者分为4个风险组，恶性率呈现出从低风险(0%)到极高风险(100%)的梯度分布。结论:本研究开发的预测模型能够有效评估肺结节的恶性风险，可为临床提供有效的风险分层工具。

Abstract: