基于深度学习模型的卵巢上皮性癌患者预后预测研究

这篇研究通过SEER数据库和大连市中心医院临床数据，创新性地应用DeepSurv、DeepHit等深度学习模型和列线图（nomogram）预测卵巢上皮性癌（EOC）患者3年/5年总生存期（OS）。研究发现FIGO分期和组织学类型是核心预后因素，DeepSurv模型在内外验证中均表现最优（C-index 0.715/0.672），为临床决策提供了精准工具。

　　

背景
卵巢上皮性癌（EOC）占卵巢癌死亡病例的70%以上，其5年生存率不足50%。由于缺乏早期症状，75%患者确诊时已进展至晚期。研究团队整合SEER数据库10,902例和大连中心医院116例患者数据，旨在开发可解释的预后预测工具。

材料与方法
采用国际疾病分类肿瘤学编码（ICD-O-3）严格筛选病例，排除非上皮性癌和合并其他恶性肿瘤者。通过单因素/多因素COX回归筛选出12个独立预后因素，包括FIGO分期（III/IV期HR=2.31）、CA125水平（阳性HR=1.68）和肝转移（HR=1.54）。创新性地构建了三种机器学习模型：基于神经网络的DeepSurv和DeepHit，以及随机生存森林（RSF），并与传统列线图模型对比。

结果
关键发现包括：

1. 模型性能：DeepSurv在内部验证中3年/5年AUC达0.746/0.766，显著优于RSF（0.709）和DeepHit（0.712）。
2. 临床因素：FIGO晚期（IV期）患者在列线图中贡献分值最高（100分），其次是黏液性癌（85分）。未化疗患者死亡风险是化疗组的2.17倍。
3. 生存差异：高风险组（列线图评分>300）5年生存率仅28%，显著低于低风险组（62%，P<0.0001）。

讨论
研究首次证实深度学习在EOC预后预测中的优越性：

• DeepSurv能捕捉传统COX模型忽略的非线性关系，如年龄与化疗的交互作用（60岁以上患者化疗获益下降40%）。
• 组织学亚型影响被量化：透明细胞癌的死亡风险比浆液性癌高35%（HR=1.35）。
• 手术类型分析显示，盆腔廓清术患者生存优于肿瘤减灭术（HR=0.82），但SEER数据未记录具体术式细节。

局限性
研究存在回顾性研究的固有偏差，特别是外部验证样本量较小（n=116）。此外，缺乏基因组数据（如BRCA突变）和详细治疗记录（如HIPEC热灌注化疗）。

结论
该研究建立的DeepSurv预测模型和列线图工具，首次实现EOC个体化生存预测的临床转化。未来可通过整合多组学数据和前瞻性研究进一步提升模型精度。