利用机器学习开发并验证一种个性化的基于网络的计算器，用于预测早期肝细胞癌患者术后恶性复发的风险

《Clinical and Translational Oncology》：Development and validation of a personalized web-based calculator of aggressive recurrence after surgery for early-stage hepatocellular carcinoma by machine learning

本研究针对早期肝细胞癌术后侵袭性复发（AR）的预测，构建并验证了基于XGBoost的可解释性视觉计算器。通过纳入483例患者，筛选出9个风险特征，并对比不同机器学习模型的表现，XGBoost模型在AUC（0.986）、准确率、敏感性和特异性等方面均表现最优。校准曲线、决策曲线分析和精确-召回曲线进一步验证了其可靠性和临床适用性，最终开发出基于Web的计算器工具，为个体化术后治疗提供支持。

　　

摘要

背景

侵袭性复发（AR）是影响肝细胞癌（HCC）术后预后的重要因素。本研究旨在建立并评估一种利用机器学习（ML）模型预测侵袭性复发的可视化计算工具。

方法

研究人员回顾了早期诊断出HCC的患者。通过准确率、敏感性、特异性、精确度、F1分数以及曲线下面积（AUC）来评估每个模型的预测能力。随后，通过校准曲线、决策曲线分析（DCA）和精确度-召回率曲线（PRC）进一步评估了模型的预测性能。

结果

最终共有483名患者纳入本研究。基线特征显示，侵袭性复发组患者的肝功能较差，肿瘤特征更为晚期。研究确定了9个风险因素，并分别将其纳入9个开发模型中。在这些模型中，XGBoost模型的预测能力最强（AUC为0.986，95%置信区间：0.983–0.988）。校准曲线、DCA和PRC进一步证明了该模型的稳健性能和临床适用性。随后，开发出了一个基于网络的计算工具。

结论

一种可解释的XGBoost模型用于预测术后早期HCC患者的侵袭性复发是可行且有效的，这表明其在制定手术策略和优化个性化术后治疗计划方面具有巨大潜力。