机器学习模型的开发和验证,以预测NSCLC患者手术后早期复发的预测
Guo-Yong Lin1,2, Run-Nan Chen1,2, Shun Wu1,2
1Department of Respiratory and Critical Illness Medicine, The First Hospital of Putian, Putian City, 351100, Fujian Province, China.
Scientific reports
|November 25, 2025
概括
这项研究开发了一种机器学习模型,用于预测手术后非小细胞肺癌患者的早期复发. 该模型使用临床数据准确识别高风险患者,帮助个性化治疗和后续策略.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 在非小细胞肺癌 (NSCLC) 手术后的早期复发 (ER) 显著影响患者的预后.
- 准确预测ER对于定制辅助疗法和优化后续时间表至关重要.
- 现有的预测方法可能无法充分利用机器学习对复杂临床数据的潜力.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于预测非小细胞肺癌 (NSCLC) 患者手术后两年内早期复发 (ER).
- 使用可解释的ML技术识别ER的关键临床预测因素.
- 为临床医生和患者提供一个公开可访问的工具来评估ER风险.
主要方法:
- 一个多中心队列的3,171名NSCLC患者接受了彻底手术被追溯分析.
- 采用了9个ML算法,前三个使用堆叠方法结合起来,用于增强预测.
- 用AUC,准确性和Brier评分来评估模型性能,并使用SHAP方法对619名患者的可解释性和外部验证进行评估.
主要成果:
- 堆叠ML模型实现了高预测性能,AUC为0.81,准确度为0.83,Brier分数为0.03.
- 对ER的重要预测因素包括病态T阶段 (pT3-4),病态N阶段 (pN1-2) 和瘤差异化等级.
- SHAP分析强调了pT阶段,最大瘤直径和瘤标志物作为ER风险的关键决定因素.
结论:
- 成功开发了一种可解释的ML模型,在术后NSCLC患者中具有高预测ER的性能.
- 该模型利用现有的临床数据,作为个性化治疗决策和后续策略的宝贵工具.
- 需要进一步的前性多中心研究来验证该模型的通用性和临床实用性.
