基于机器学习的预后建模,用于局部晚期的非小细胞肺癌,用免疫放射治疗治疗
Frontiers in pharmacology
|December 17, 2025
概括
机器学习模型,特别是随机生存森林 (RSF),改善了用化学放射治疗和免疫治疗治疗局部晚期非小细胞肺癌 (NSCLC) 患者的生存预测. 在风险分层方面,RSF模型的表现优于传统的Cox模型.
科学领域:
- 在瘤学瘤学.
- 辐射疗法 辐射疗法
- 机器学习 机器学习
- 医疗信息学 医疗信息学
背景情况:
- 局部晚期非小细胞肺癌 (NSCLC) 患者接受并发化疗放射治疗 (CCRT),随后进行巩固免疫治疗,其生存结果各不相同.
- 对这些患者进行准确的预后预测在临床上具有挑战性.
- 这项研究旨在开发机器学习模型,用于在精密免疫放射治疗中进行个性化结果预测.
研究的目的:
- 开发和验证机器学习模型,用于预测局部晚期NSCLC患者的生存结果.
- 为了比较随机生存森林 (RSF) 模型与传统的Cox比例危险模型的性能.
- 在这个患者队列中确定预测结果的关键预后变量.
主要方法:
- 追溯招募219名接受标准CCRT和巩固免疫治疗的局部晚期NSCLC患者.
- 使用最小绝对收缩和选择操作员 (LASSO) 回归的预测变量选择.
- 在培训和独立队伍中构建和验证多变量Cox和RSF模型.
主要成果:
- 拉索回归确定了年龄,T阶段,阶段和病理作为预后变量. 通过考克斯分析,阶段和病理被证实是整体存活 (OS) 的独立预测因素.
- 在验证队列中,RSF模型表现出优异的预测准确性 (C指数0.67),与Cox模型 (C指数0.62) 相比.
- 来自RSF的风险评分有效地将患者分为高风险和低风险组,其生存结果显著不同,重点是关键因素的阶段和病理.
结论:
- 随机生存森林 (RSF) 模型提供了比传统的考克斯模型更好的预测性能,用于局部晚期NSCLC患者的生存和风险分层.
- 机器学习方法,特别是RSF,有望改善NSCLC免疫放射治疗中的个性化治疗策略.
