对高风险肝细胞癌的可解释机器学习模型的识别和验证:一项回顾性多中心队列研究
Shufang Hao1, Xiaoyu Liang2, Xue Li2
1Department of Interventional Therapy, Guangdong Provincial Hospital of Chinese Medicine and Guangdong Provincial Academy of Chinese Medical Sciences, Guangzhou, Guangdong, P. R. China.
International journal of surgery (London, England)
|September 24, 2025
概括
使用XGBoost的新机器学习模型准确地预测了经过跨动脉化学栓塞 (TACE) 后高风险肝细胞癌 (hHCC) 患者的早期复发. 这种先进的工具的性能优于现有的分期系统,有助于对hHCC进行个性化治疗决策.
科学领域:
- 肝细胞癌研究 肝细胞癌研究
- 机器学习在瘤学中
- 医学诊断 医学诊断 医学诊断
背景情况:
- 需要准确的,非侵入性的方法来预测高风险的肝细胞癌 (hHCC) 在经动脉化学栓塞 (TACE) 后的复发.
- 目前的预后模型缺乏在TACE后的hHCC患者有效风险分层所需的自动化和精度.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于预测TACE后24个月内hHCC患者的早期复发 (ER).
- 整合不同的临床和与治疗相关的变量,以提高ER预测的准确性.
主要方法:
- 一项多中心研究审查了2068名无法切除的HCC患者进行初始TACE.
- 包括XGBoost在内的5个ML模型经过训练和测试,使用39个手术前和5个治疗变量.
- 模型性能与使用AUC和Delong测试的主要临床分期系统进行了比较.
主要成果:
- 对于ER预测,XGBoost模型实现了最高的AUC (0.888内部,0.854外部).
- 与所有主要分期系统 (p < 0.001) 相比,XGBoost在无复发生存 (RFS) 方面表现出优异的区分能力.
- 卡普兰-梅尔分析证实了使用XGBoost模型对整体存活 (OS) 和RFS的显著风险分层.
结论:
- 在TACE后的hHCC患者中,XGBoost模型表现出优异的ER预测性能.
- 这种ML模型为风险分层提供了一个比现有的分阶段系统更准确的替代方案.
- 结果支持个性化的TACE管理策略,指导基于预测复发风险的治疗选择.
