在统计和机器学习模型中的歧视,校准和变量重要性,用于预测晚期非小细胞肺癌患者的整体存活率,这些患者接受了免疫检查点抑制剂治疗

科学领域:

• 在瘤学瘤学.
• 生物统计学 生物统计学
• 计算生物学 计算生物学

背景情况:

• 预后模型有助于治疗决策和癌症病人的沟通.
• 机器学习 (ML) 为接受免疫检查点抑制剂的患者预测生存提供了新的方法.
• 缺乏跨独立队列的ML模型校准的大规模基准测试.

研究的目的:

• 开发,评估和比较统计和ML模型,以预测晚期非小细胞肺癌 (NSCLC) 患者的整体存活率.
• 在区分,校准和变量重要性方面评估模型性能.
• 评估七个独立的临床试验队列中使用免疫检查点抑制剂治疗NSCLC患者的模型.

主要方法:

• 对比了两个统计模型 (Coxph,加速失效时间) 和六个ML模型 (CoxBoost,XGBoost,GBMs,随机生存森林,LASSO,SVM).
• 采用了一个离开一次学习的嵌套交叉验证 (nCV) 框架进行评估.
• 通过哈雷尔一致性指数 (Cindex) 评估歧视,并通过综合校准指数 (ICI) 和图表进行校准. 使用Shapley添加式扩展 (SHAP) 值来确定变量重要性.

主要成果:

• 统计和5ML模型显示中等,可比的歧视 (Cindex: 0.69-0.70);SVM显示差的歧视 (Cindex: 0.57).
• 模型在很大程度上展示了可比的校准,XGBoost显示了数量上优越的校准.
• 模型的表现在各个队伍中各不相同;没有一个单一的模型始终超越其他模型. 中性粒细胞与淋巴细胞的比率 (NLR) 和ECOG性能状态 (ECOGPS) 是关键预测因素.

结论:

• 没有一个单一的模型显示出优越的区分或校准,尽管XGBoost显示出更好的校准潜力.
• 模型性能依赖于队列,强调需要对多个独立数据集进行验证.
• 预处理NLR和ECOGPS被所有评估模型一致认为是关键的预后因素.