基于可解释机器学习的非小细胞肺癌多治疗方案个性化推荐模型构建与验证

本研究开发并验证了基于LightGBM算法的可解释机器学习模型，可同步预测非小细胞肺癌（NSCLC）患者的手术、放疗和化疗个性化推荐方案。模型在外部验证中展现出优异性能（手术AUROC 0.906），通过SHAP分析识别M分期、肿瘤分期等关键预测因子，并结合生存分析证实早期患者手术获益显著，晚期患者放化疗改善预后，为临床决策提供数据驱动支持。

　　

^研究亮点

^已知信息

• 非小细胞肺癌（NSCLC）治疗决策复杂，需个性化支持工具

• 现有机器学习模型多聚焦单一疗法，罕有多治疗方案推荐

• 结合生存分析的多治疗推荐可优化个体化策略

^{本研究创新点}

• LightGBM模型精准预测手术、放疗和化疗方案（外部验证AUROC：0.906/0.721/0.801）

• M分期、肿瘤分期、N分期和年龄被识别为多重治疗选择的关键决定因素

• 通过倾向评分匹配和Cox回归证实早期患者手术获益显著，晚期患者放化疗改善预后

^讨论

本研究首次系统开发并验证了用于NSCLC患者多重治疗（手术/放疗/化疗）个性化推荐的可解释机器学习模型。LightGBM在所有治疗模式中均展现卓越预测准确性，尤其对手术推荐表现突出（AUROC>0.9）。远处转移（M分期）、肿瘤分期、淋巴结转移（N分期）和年龄被确定为关键预测因子，与临床实践高度一致。生存分析进一步验证了模型推荐与患者预后的关联性，为个性化治疗决策提供了循证依据。

^结论

本研究构建的LightGBM模型能同步生成NSCLC患者的多重治疗推荐，关键预测因子包括M分期、N分期、肿瘤分期和年龄。生存分析证实手术对早期/非转移性疾病患者收益显著，而放疗或化疗更适合晚期患者。该模型为临床医生提供了直观的可解释决策支持工具，有望优化治疗策略并改善患者生存结局。