复合小细胞肺癌的机器学习驱动的预后预测模型:使用网络工具识别风险因素,并使用SEER数据和外部队列进行验证
Fei Li1, Mengfan Zhao1, Linlin Cao2
1School of Nursing, Hebei University, Baoding, China.
Frontiers in oncology
|August 7, 2025
概括
一个可解释的XGBoost模型准确地预测了结合小细胞肺癌 (C-SCLC) 患者的生存率. 这种工具有助于个性化治疗和临床决策对于这种侵略性肺癌子集.
科学领域:
- 在瘤学瘤学.
- 机器学习 机器学习
- 生物统计学 生物统计学
背景情况:
- 结合小细胞肺癌 (C-SCLC) 是一种具有高死亡率的侵袭性肺癌亚型.
- 对于C-SCLC存在有限的生存预测模型,现有的模型缺乏可解释性.
- 对于C-SCLC患者来说,急需准确和可理解的预后工具.
研究的目的:
- 开发和验证可解释的机器学习模型,用于预测C-SCLC患者的生存结果.
- 确定影响C-SCLC生存预测的关键临床因素.
- 创建一个用户友好的工具,用于临床应用.
主要方法:
- 使用Cox比例危险模型从SEER数据库数据中选择变量.
- 通过十倍交叉验证和网格搜索开发和优化了一个XGBoost模型.
- 为了模型的可解释性,使用了夏普利添加式解释 (SHAP).
主要成果:
- 在SEER (1,230名患者) 和外部中国队列 (154名患者) 中,XGBoost模型显示出出色的预测性能.
- 外部验证结果显示AUC值为0.849 (1年),0.830 (3年) 和0.811 (5年).
- SHAP分析确定了N阶段,T阶段,放射治疗,手术和性别作为重要的预测因素.
结论:
- 可解释的XGBoost模型准确地预测了C-SCLC患者的生存率.
- 一个基于网络的工具可用于预测1年生存概率.
- 该工具支持个性化治疗策略,并优化C-SCLC的临床决策.
