机器学习模型的开发和验证,用于预测晚期胃癌中免疫检查点抑制剂的疗效,使用外周血液临床组学数据的动态变化:一项回顾性多中心队列研究

科学领域:

• 癌症学
• 计算生物学
• 生物标志物发现

背景情况:

• 免疫检查点抑制剂 (ICI) 对于晚期胃癌 (GC) 治疗至关重要.
• 目前ICI疗效的生物标志物是有限的,依赖于静态瘤特征.
• 预测GC对ICI的反应仍然是一个临床挑战.

研究的目的:

• 开发一种机器学习 (ML) 模型,其中包含动态临床组学数据,以更好地预测ICI在高级GC中的疗效.
• 识别动态clinlabomics特征,以提高超越静态标记的预测准确性.
• 在多个中心验证ML模型的性能.

主要方法:

• 一个多中心的回顾性研究,涉及377名先进的GC患者,接受一线ICI治疗.
• 开发了9个ML模型,其中XGBoost被选为最佳性能.
• 使用动态临床组学数据,卡普兰-梅尔生存分析和RNA测序进行验证.

主要成果:

• XGBoost模型的预测准确度很高 (AUC为0.863,外部队列为0.790- 0.842).
• 确定了10个动态临床学特征作为重要的预测因素.
• 一个低风险的小组显示出更好的预后和"热瘤"特征,

结论:

• 动态临床学数据有效地预测了晚期GC的ICI疗效.
• 经过验证的多中心模型为优化治疗策略提供了一种新方法.
• 这种方法通过完善患者选择ICI治疗来支持个性化医疗.