使用多式预治疗特征的可解释机器学习模型预测了食道状细胞癌中新辅助免疫化学疗法的病理完整反应
Xueping Wang1,2, Wencheng Tan2,3, Hui Sheng2,4
1Department of Laboratory Medicine, Sun Yat-Sen University Cancer Center, Guangzhou, China.
Frontiers in immunology
|October 2, 2025
概括
一种可解释的机器学习模型准确地预测了食道状细胞癌 (ESCC) 中新辅助免疫化学疗法 (nICT) 的病理完整反应 (pCR). 该工具通过识别可能从nICT中受益的患者,有助于个性化治疗.
科学领域:
- 在瘤学瘤学.
- 机器学习 机器学习
- 生物标志物 生物标志物
背景情况:
- 新辅助免疫化学疗法 (nICT) 改善了局部晚期食道状细胞癌 (ESCC) 的治疗结果.
- 准确预测病理完整反应 (pCR) 对于个性化nICT至关重要,并且仍然是一个挑战.
- 目前的局限性阻碍ESCC患者的治疗优化.
研究的目的:
- 开发和验证一个可解释的机器学习 (ML) 模型,用于预测pCR到nICT在ESCC.
- 在启动nICT之前,利用预处理的多式联络功能进行准确的pCR预测.
- 在ESCC管理中增强治疗个性化.
主要方法:
- 对114名接受nICT治疗的ESCC患者进行了回顾性研究,分为培训 (n=81) 和验证 (n=33) 队列.
- 使用临床变量LASSO回归,内镜超声波和血液学生物标志物的特征选择.
- 构建和评估八个ML模型,通过AUC,灵敏度,特异性,PPV和NPV评估性能. 用于解释性的SHAP分析.
主要成果:
- 一个随机森林 (RF) 模型在训练 (AUC=1.000) 和验证 (AUC=0.913) 队列中都显示出出色的预测性能.
- 确定的关键预测因素包括酒精消费,周边参与率≥50%,中性粒细胞与淋巴细胞比率 (NLR) 升高,C反应蛋白 (CRP) 和氨酸转移酶 (ALT).
- SHAP分析证实了模型的可解释性,并突出了重要的预测特征.
结论:
- 一个集成多式联机预处理数据的可解释的ML模型准确地预测ESCC中的pCR到nICT.
- 这种预测工具可以优化患者对nICT的选择,为ESCC推进精确治疗.
- 开发的模型为个性化治疗策略提供了临床适用性.
