基于Temporal Fusion Transformer的前列腺癌放疗患者报告结局预测模型研究

《BioData Mining》：Short- and long-term weekly patient-reported outcomes prediction undergoing radiotherapy: single-patient time series model vs. transformer-based multi-patient time series model

本研究针对放疗期间前列腺癌患者报告结局(PROs)预测的临床挑战，创新性地采用Temporal Fusion Transformer(TFT)模型，通过整合多患者数据突破传统单患者模型(VAR/VAR-Inc)的局限性。研究证实TFT在长期预测中MAE降低31.9%，能有效捕捉症状趋势并克服数据缺失问题，为个性化放疗管理提供AI决策支持。

　　

在精准医疗时代，前列腺癌放疗患者常面临尿失禁、性功能障碍等治疗副作用，这些主观体验通过患者报告结局(PROs)量化，但临床面临三大痛点：一是传统单患者模型如向量自回归(VAR)依赖线性假设，当患者疼痛评分突然恶化时预测失效；二是84.3%患者因随访中断导致数据稀疏；三是现有模型无法利用群体数据缓解"冷启动"问题。

美国研究人员在《BioData Mining》发表的研究中，开发了基于17例前列腺癌患者的TFT预测框架。该模型通过门控循环单元(GRN)筛选24项PRO特征，结合自注意力机制解析症状关联，在预测尿功能(IPSS1-7)、疼痛等指标时，MAE降至0.7715，较VAR-Inc提升4.6%。关键技术包括：1)采用EPIC-CP和IPSS量表构建多维度PRO数据集；2)基于二次样条插值处理缺失数据；3)使用分位数损失函数量化预测不确定性；4)通过贝叶斯优化确定最佳超参数。

整体性能对比

TFT在76周预测中准确率达58.3%，显著优于VAR-Inc(37.5%)。如图6所示，该模型精准捕捉排尿困难(IPSS5)恶化趋势，但对勃起功能预测存在15%高估。

统计显著性验证

配对t检验显示，TFT_0.5分位数预测在68%时间点显著优于VAR-Inc(p<0.05)，尤其在放疗后期(第47周p=0.0002)。

参数敏感性

当注意力头数设为8时模型最优，MAE降低21.7%。而丢弃率(dropout)0.3时能有效防止过拟合，使验证损失稳定在0.9以下。

这项研究开创性地证明：1)多患者数据整合可使预测稳定性提升12.5%(SD=12.47%)；2)TFT对缺失数据的鲁棒性使其在随访中断场景仍保持85%准确率；3)注意力权重可视化辅助临床解读症状关联。尽管存在样本量限制，该框架为建立普适性PRO预测系统奠定基础，未来通过纳入社会 determinants of health 因素，可进一步减少健康不平等。