基于机器学习的决策树模型，用于治疗单发大肝癌患者

《Journal of the Chinese Medical Association》：Machine-learning-based decision-tree model for patients with single-large hepatocellular carcinoma

单发性大肝癌预后预测研究基于477例患者数据构建机器学习决策树模型，整合治疗方式、肌酐水平、肿瘤大小和FIB-4评分四项指标，将患者分为五组风险等级，模型训练准确率74.3%，验证集67.1%，AUROC分别为0.756和0.706，显著优于传统分期系统。

　　

摘要 简而言之

---

背景：

单发大肝细胞癌（SLHCC）被定义为一种孤立的肿瘤，其直径大于5厘米，且无大血管侵犯或肝外转移。SLHCC是一种具有显著预后异质性的独特临床亚型，现有的分期系统对该亚组的预测准确性有限。因此，我们旨在开发一个基于机器学习（ML）的决策树模型，以改进SLHCC的个性化预后分层。

方法：

这项回顾性研究纳入了2012年1月至2023年1月期间在台北退伍军人总医院诊断为SLHCC的患者。这些患者被随机分配到训练组 and 验证组。通过多变量Cox回归确定总体生存（OS）的预后因素，并将其纳入决策树算法中。模型性能通过准确率和接收者操作特征曲线下面积（AUROC）进行评估。

结果：

在477名患者中，307名（64.4%）接受了根治性治疗，170名（35.6%）接受了非根治性治疗。中位年龄为70岁，77.1%为男性。中位随访时间为50个月时，5年OS率为42.0%。六个变量与OS独立相关：肿瘤大小 > 10厘米、血清肌酐 > 1 mg/dL、非根治性治疗、白蛋白-胆红素（ALBI）等级2、纤维化-4（FIB-4）评分 ≥ 2.67以及血清甲胎蛋白（AFP）> 20 ng/mL。决策树模型纳入了四个关键变量：治疗方式、肌酐、肿瘤大小和FIB-4评分。该模型将患者分为五个风险组。在训练组中，模型的准确率为74.3%，在验证组中为67.1%，AUROC分别为0.756和0.706。

结论：

这种基于机器学习的决策树模型能够利用常规临床和实验室数据有效地对SLHCC患者进行预后分层。该模型补充了传统的分期系统，有助于在实际临床实践中支持个性化治疗计划和患者咨询。

通俗总结：

单发大肝细胞癌（SLHCC）是一种直径大于5厘米且无大血管侵犯或肝外转移的孤立肿瘤。SLHCC是一种具有显著预后异质性的独特临床亚型。这项回顾性研究调查了477名SLHCC患者的总体生存预后决定因素。我们采用了传统的Cox回归和基于机器学习的决策树算法，开发出一个可解释且具有临床应用价值的危险分层模型。六个关键变量（包括肿瘤大小、血清肌酐、甲胎蛋白（AFP）水平、白蛋白-胆红素（ALBI）等级、纤维化-4（FIB-4）评分和治疗方式）被确定为生存的独立预测因子。决策树模型纳入了四个关键变量：治疗方式、肌酐、肿瘤大小和FIB-4评分。值得注意的是，我们的决策树模型将患者分为五个预后亚组，这些亚组的总体生存中位数各不相同，从而提供了比现有分期系统更精确的个性化风险评估。