基于TabNet-Cox的可解释的深度学习框架,用于肝细胞癌免疫治疗中的风险分层和预后评估

科学领域:

• 在瘤学瘤学.
• 人工智能的人工智能
• 生物统计学 生物统计学

背景情况:

• 接受免疫检查点抑制剂 (ICI) 的肝细胞癌 (HCC) 患者的治疗结果表现出显著的异质性.
• 准确的预后评估对于接受ICI治疗的HCC患者的有效风险分层和临床管理至关重要.

研究的目的:

• 开发和验证一个可解释的深度学习生存模型,名为TabNet-Cox,用于预测ICI治疗的HCC患者的整体存活率 (OS).
• 评估模型的性能和临床实用性,以进行个性化的预后评估.

主要方法:

• 一个以ICI治疗的453名HCC患者的回顾性队列被分为培训,内部验证和外部验证队列.
• 采用基线人口,瘤,预治疗管理和实验室变量开发了TabNet-Cox模型.
• 模型性能使用一致性指数 (C指数),AUC,Brier分数和决策曲线分析 (DCA) 来评估. 为了解释性,使用了夏普利添加式解释 (SHAP).

主要成果:

• 在开发环境中,TabNet-Cox实现了0.79的C指数和0.81的AUC,显示出强大的预测性能.
• 该模型在外部验证队列中显示出稳定的区分能力和良好的校准,有效地将患者分为不同的风险组.
• SHAP分析确定了AFP,GGT和LDH是关键的危险因素,而白蛋白和淋巴细胞数量是保护性的. 建议有两个不同的高风险表型.

结论:

• TabNet-Cox提供了一个准确和可解释的框架,用于预测ICI治疗的HCC患者的OS和分层风险.
• 该模型的性能通过重新采样和外部数据验证,支持其使用常规可用的变量进行个性化预后评估的潜力.