基于机器学习构建T4或N3局部晚期鼻咽癌放化疗预后预测模型及其临床应用价值

本研究聚焦T4或N3局部晚期鼻咽癌（NPC）患者，利用LASSO回归和Cox比例风险模型构建了无进展生存期（PFS）预测模型，关键预后因子为N分期和EB病毒（EBV）DNA水平。该模型在训练集和验证集中均表现出良好区分度（AUC 1年0.802）和临床实用性，为个体化治疗决策提供重要工具。

　　

背景

鼻咽癌（NPC）是一种起源于鼻咽部上皮细胞的恶性肿瘤，在东南亚地区尤其是中国具有高发病率，其发生与EB病毒（EBV）感染密切相关。局部晚期NPC，特别是T4或N3分期患者，尽管接受同步放化疗（CRT）等积极治疗，仍面临预后不良的挑战。高复发率和远处转移率表明，需要更精确的预后工具以优化治疗策略，平衡疗效与毒性。

方法

患者

本研究回顾性纳入了来自中国三家三级医院的293例局部晚期NPC患者（2012-2020年），所有患者均经病理确诊，按AJCC第8版分期为T4或N3，并接受了同步CRT。排除标准包括既往接受过其他治疗或数据不完整者。研究获宁夏医科大学总医院伦理委员会批准。

模型构建

患者按6:4比例随机分为训练集（173例）和验证集（120例）。采用LASSO回归筛选与无进展生存期（PFS）相关的预后因素，PFS定义为从CRT开始至疾病进展、复发、远处转移或全因死亡的时间。通过单因素和多因素Cox回归分析确定独立预后因素，并据此构建列线图（Nomogram）预测1、2、3年PFS。

模型验证

在验证集中，采用受试者工作特征（ROC）曲线、校准曲线和决策曲线分析（DCA）评估模型性能。训练集中进一步使用偏依赖图（PDP）、时间依赖变量重要性图和Brier评分进行验证。

统计分析

分类变量和连续变量分别采用卡方检验及参数/非参数检验进行比较。使用Kaplan-Meier（KM）曲线分析生存率，Log-rank检验比较组间差异。所有分析使用R软件完成，以P<0.05为显著。

结果

基线

总队列中男性占77.1%，平均年龄45.6岁，53.9%患者年龄≥45岁。T4分期占57.3%，N3分期占49.1%，36.9%患者EBV DNA≥10000。训练集与验证集基线特征无显著差异。

生存

训练集1、2、3年PFS率分别为92.4%、81.3%、75.2%，验证集分别为90.1%、83.5%、76.0%，两组PFS无显著差异（P=0.94）。

模型构建

LASSO回归识别出年龄、T分期、N分期和EBV水平为PFS风险因素。多因素Cox分析确认N分期和EBV水平是PFS的独立预后因素。基于此构建的列线图可预测1、2、3年PFS。

模型验证

ROC曲线显示模型1、2、3年AUC值分别为0.802、0.709、0.686。校准曲线显示预测与观测结果高度一致，DCA证实模型在不同风险阈值下具有临床净获益。

模型解读

偏依赖图（PDP）显示较高EBV水平、年龄增长及T、N分期进阶与较差生存相关。时间依赖性分析表明模型区分能力随时间提升，Brier评分下降。变量重要性图确认EBV和N分期是影响PFS的最关键因素。风险评分以1.65为界分为低危和高危组，高危组PFS显著缩短，临床变量热图显示高危组EBV水平更高、分期更晚。

讨论

局部晚期NPC尤其是T4/N3患者治疗难度大、预后差，尽管CRT为标准疗法，仍存在高复发和转移风险。本研究结合LASSO与Cox回归构建的预测模型兼具稳健性和可解释性，通过关键临床变量（N分期、EBV）实现个性化预后评估。短期预测表现优异（1年AUC 0.802），但长期预测精度下降，可能与未纳入遗传、免疫或放射组学等因素有关。模型有望指导高风险患者接受更强化治疗（如免疫疗法），但回顾性设计、缺乏外部验证和复发部位细节等局限需在未来研究中克服。

结论

本研究成功建立并验证了基于机器学习方法的生存预测模型，为T4或N3局部晚期NPC患者的个体化治疗提供了可靠工具，有助于早期识别高风险患者并优化临床决策。