机器学习提高了移植后肝细胞癌（HCC）复发的预测准确性

《Liver Transplantation》：Machine learning improves post-transplantation HCC recurrence prediction

肝移植后HCC复发预测模型开发与验证，基于UNOS数据库应用梯度提升生存算法和随机生存森林模型筛选7个关键变量（TBS、AFP水平、TBS变化值等），C-index达0.73，优于RETREAT评分（0.70），并构建仅用术前变量的随机森林模型（C-index 0.69），为术后风险分层和治疗优化提供新工具。

　　

摘要通俗语言摘要

---

我们的目标是通过评估新的风险因素并利用最先进的机器学习（ML）算法来提高肝细胞癌（HCC）移植后的复发预测能力。利用美国器官共享网络（UNOS）数据库，我们确定了2015至2018年间接受肝脏移植的成人HCC患者，并考虑了50多个可用的临床、影像学、实验室/生物标志物以及移植组织病理学变量来预测移植后的无复发生存期。该队列被分为70%的训练数据和30%的测试数据。采用递归特征消除方法为每个候选ML模型选择最佳数量的变量。最终模型的性能通过测试数据集与临床使用的工具进行了比较。在识别的3106名患者中，有7.2%出现了移植后的HCC复发。梯度提升生存算法表现最佳（C指数为0.73），它包含了7个变量：移植组织的肿瘤负荷评分（TBS）、移植时的甲胎蛋白（AFP）水平、移植前的最大TBS值、移植前的AFP斜率、移植组织中的微血管侵袭、移植组织中的肿瘤分化不良以及按接受的局部治疗次数标准化的移植前TBS变化。这一模型的表现优于肿瘤复发风险评估（RETREAT）评分（C指数为0.70）。仅包含术前变量的随机生存森林模型（移植时的AFP水平、移植前的AFP斜率、从登记到移植期间AFP的变化、移植前的最大TBS值以及从登记到移植期间白蛋白-胆红素（ALBI）等级的变化）也能预测移植后的HCC复发（C指数为0.69）。总之，我们开发了一个新的ML模型，其性能优于广泛使用的移植后HCC复发风险评分。该模型可用于更好地对移植后的患者进行风险分层，并定制监测/辅助治疗方案。术前ML模型可以与米兰标准结合使用，进一步对考虑接受移植的患者进行风险分层。

通俗语言摘要本研究旨在利用机器学习（ML）技术改进对移植后肝癌复发的预测。研究人员分析了UNOS数据库中3106名患者的数据，重点关注了50多个变量。梯度提升生存算法使用了肿瘤负荷和甲胎蛋白水平等7个关键因素，其C指数为0.73，优于现有的RETREAT评分。仅包含术前变量的随机生存森林模型也能预测移植后的HCC复发，C指数为0.69。这些模型可以增强患者的风险评估，并指导移植后的护理，通过定制监测和治疗方法可能改善预后。

文本内容由机器生成，可能存在不准确之处。常见问题解答