基于机器学习的肝细胞癌生存预测模型的构建与验证

《Medical & Biological Engineering & Computing》：Construction and validation of hepatocellular carcinoma survival prediction models based on machine learning

肝细胞癌生存预测研究创新性引入自注意力机制与残差网络模块改进DeepSurv和DeepHit模型，并首次构建基于Cox神经网络的集成模型融合多方法优势。实验表明集成模型在C-index（0.872）和Brier分数（0.149）上显著优于单一模型。

　　

摘要

肝细胞癌是导致癌症相关死亡的主要原因之一，准确的生存预测对于个性化治疗至关重要。然而，传统的预测方法（如Cox比例风险模型）往往难以处理非线性关系和高维数据，从而导致预测性能不佳。在这项研究中，我们利用了SEER和TCGA数据库中的肝细胞癌患者数据，来探讨机器学习方法在肝细胞癌生存预测中的潜力。具体而言，我们在DeepSurv和DeepHit中引入了自注意力机制，以更好地捕捉特征之间的依赖性，并加入了残差网络模块来提高深度架构的训练稳定性。此外，我们还基于Cox神经网络开发了一个集成模型，结合了我们改进的深度学习模型、Cox比例风险模型和随机生存森林的预测结果。这里描述的模型改进和集成方法都是首次应用于生存分析中。实验结果表明，与单个模型相比，集成模型具有更高的预测准确性（C指数=0.872）和可靠性（9个月时的Brier分数=0.149）。这些发现表明，基于集成学习的模型为更精确的肝细胞癌个性化治疗提供了有希望的途径。

图形摘要

肝细胞癌是导致癌症相关死亡的主要原因之一，准确的生存预测对于个性化治疗至关重要。然而，传统的预测方法（如Cox比例风险模型）往往难以处理非线性关系和高维数据，从而导致预测性能不佳。在这项研究中，我们利用了SEER和TCGA数据库中的肝细胞癌患者数据，来探讨机器学习方法在肝细胞癌生存预测中的潜力。具体而言，我们在DeepSurv和DeepHit中引入了自注意力机制，以更好地捕捉特征之间的依赖性，并加入了残差网络模块来提高深度架构的训练稳定性。此外，我们还基于Cox神经网络开发了一个集成模型，结合了我们改进的深度学习模型、Cox比例风险模型和随机生存森林的预测结果。这里描述的模型改进和集成方法都是首次应用于生存分析中。实验结果表明，与单个模型相比，集成模型具有更高的预测准确性（C指数=0.872）和可靠性（9个月时的Brier分数=0.149）。这些发现表明，基于集成学习的模型为更精确的肝细胞癌个性化治疗提供了有希望的途径。

图形摘要