基于机器学习的转移性乳腺癌预后模型及其可解释性:一个多中心的回顾性研究
Jie Wang1, Si-Li Jin1, Jing-Hua Wu1
1Department of Breast Diseases, Jiaxing Women and Children's Hospital, Wenzhou Medical University, Jiaxing, China.
Gland surgery
|January 8, 2026
概括
机器学习准确地预测了转移性乳腺癌 (MBC) 患者的整体存活率. 外部验证的随机生存森林模型确定了三阴性乳腺癌和大脑转移作为关键的死亡风险因素.
科学领域:
- 在瘤学瘤学.
- 生物统计学 生物统计学
- 医疗保健中的机器学习
背景情况:
- 转移性乳腺癌 (MBC) 的预后面临着当前评分系统的准确性和机器学习 (ML) 模型解释性的挑战.
- 准确的预后模型对于改善生存预测和指导MBC的个性化治疗策略至关重要.
研究的目的:
- 开发和验证一个精确的预后模型,用于预测MBC患者的整体存活期 (OS).
- 在监测,流行病学和最终结果 (SEER) 数据库上利用ML技术进行增强的预后评估.
主要方法:
- 利用来自SEER数据库的1,385名MBC患者的数据,分为培训 (1,035) 和内部验证 (350) 队列.
- 建立了来自嘉兴妇女和儿童医院的73名患者的外部验证队列.
- 通过多变量考克斯回归确定了关键的OS预测因子;使用了包括随机生存森林 (RSF) 在内的四种ML算法来构建模型.
主要成果:
- 该RSF模型在培训中表现出卓越的性能,C指数为0.723,在内部验证队伍中为0.727.
- 在AUC和Brier分数方面,RSF表现优于其他模型,对1年,3年和5年的OS预测有效.
- 外部验证显示稳定的C指数为0.685;夏普利添加式扩展 (SHAP) 确定了三阴性乳腺癌 (TNBC) 和大脑转移作为显著的死亡风险因素.
结论:
- 开发的RSF预后模型为MBC生存提供了出色的预测准确性和可解释性.
- 该模型识别高风险因素的能力有助于为MBC患者进行个性化治疗规划.
- 这种基于ML的方法提高了预后评估,可能改善转移性乳腺癌的临床决策.
