可解释的机器学习模型能够预测膀胱癌患者接受根治性膀胱切除术后对辅助治疗的反应

《Frontiers in Oncology》：Explainable machine learning model predicts response to adjuvant therapy after radical cystectomy in bladder cancer

本研究通过整合病理特征、人口统计变量及分子标志物，利用LASSO回归筛选关键参数，并比较九种机器学习算法（如随机森林、XGBoost、LightGBM）预测膀胱癌患者接受辅助化疗后的反应。随机森林模型在训练集表现最佳（AUC=0.92），但测试集性能下降，提示需多中心验证。SHAP分析显示血管/神经侵犯和PD-L1/HER2表达是主要预测因素，决策曲线分析证实模型在中等风险阈值下具有临床净获益。结论：机器学习模型为个体化辅助治疗决策提供了新工具，但需进一步验证其泛化能力。

　　本研究探讨了机器学习在预测膀胱癌患者接受根治性膀胱切除术（RC）后辅助治疗反应中的应用。膀胱癌作为一种常见的恶性肿瘤，其发病率和死亡率在全球范围内均较高，每年新增病例约57.3万例，死亡病例约21.3万例。尽管RC是治疗肌层浸润性膀胱癌（MIBC）和部分高风险非肌层浸润性膀胱癌（NMIBC）的标准手段，但术后复发和疾病进展仍是临床关注的重点。因此，开发能够准确预测辅助治疗反应的模型，有助于制定个性化的治疗策略，提高患者预后。

传统的辅助治疗选择主要依赖于临床经验和单一的病理或分子特征，但肿瘤的异质性使得治疗反应难以预测。近年来，随着人工智能和机器学习技术的发展，这些方法在整合临床、病理和分子数据方面展现出巨大的潜力。通过机器学习模型，可以更全面地分析多种因素对治疗反应的影响，从而提高预测的准确性和可靠性。本研究采用回顾性分析的方法，收集了2014年至2024年间接受RC的1,764例患者的临床和病理数据，包括年龄、性别、种族、吸烟和饮酒史、血压等人口学特征，以及肿瘤形态、病理分期、肿瘤分级、手术切缘状态等病理学参数，以及PD-L1、HER2、GATA3等分子标志物。

在特征选择方面，研究使用了LASSO回归方法，以减少模型复杂度并避免过拟合。通过对28个特征进行筛选，最终确定了与治疗反应显著相关的变量。随后，研究构建了基于九种机器学习算法的预测模型，包括XGBoost、LightGBM、随机森林（RF）、支持向量机（SVM）、逻辑回归、多层感知机（MLP）、K近邻（KNN）、决策树（DT）和LASSO回归。模型的性能评估采用了AUC-ROC曲线、敏感度、特异度、F1分数、准确率等指标，并通过决策曲线分析（DCA）和校准曲线进一步验证了模型的临床适用性。

结果显示，随机森林模型在训练集中的表现最佳，AUC值达到0.921，准确率为0.846，F1分数为0.847，显示出较强的分类能力。然而，在测试集中的表现有所下降，AUC值为0.741，提示模型的泛化能力仍需进一步优化。尽管如此，XGBoost和LightGBM模型在测试集中也表现出良好的临床净效益，表明其在实际应用中的潜力。此外，SHAP分析用于解释模型的预测结果，揭示了血管浸润、神经浸润、PD-L1和HER2表达等关键特征对治疗反应的显著影响。

本研究还评估了不同机器学习算法在临床适用性方面的表现，发现随机森林、XGBoost和LightGBM模型在识别高风险患者方面具有较高的准确性，而其他模型如决策树和LASSO回归则表现相对较弱。通过临床影响曲线（CIC）分析，进一步验证了这些模型在不同风险阈值下的临床价值。这些结果表明，机器学习模型在膀胱癌辅助治疗反应预测中具有广阔的应用前景。

在临床应用方面，研究建议将这些模型整合到临床决策支持系统（CDSS）中，通过电子病历（EMR）实现实时风险评估和个性化治疗推荐。这将有助于医生在术后快速判断患者是否需要接受辅助治疗，优化治疗方案，减少不必要的毒副作用，提高治疗效率。此外，为了增强模型的泛化能力和临床适用性，未来的研究应关注多中心数据的外部验证，以及基于长期随访数据的动态预测模型的开发。

本研究的意义在于，通过整合病理、人口学和分子标志物等多维度数据，构建了一个具有较高预测性能的机器学习模型，为膀胱癌患者的个性化治疗提供了新的工具。尽管模型在测试集中的表现略逊于训练集，但其仍显示出良好的临床价值。未来的工作应进一步优化模型，提高其在不同人群和数据集中的适用性，以实现更精准的治疗决策和更好的患者预后。此外，研究还强调了SHAP分析在提高模型透明度和临床信任方面的重要性，有助于医生和患者更好地理解模型的预测依据，从而推动精准医学的发展。