《Health Data Science》:Explainable Mortality Prediction for Liver Transplant Candidates with Hepatocellular Carcinoma: A Supervised Clustering Approach
编辑推荐:
准确预测肝细胞癌(HCC)肝移植(LT)候选者的死亡风险仍是一项关键挑战。传统评分系统,包括Child–Pugh评分、白蛋白-胆红素(ALBI)评分、终末期肝病模型(MELD)、MELD-Na、MELD 3.0和甲胎蛋白(AFP)评分,虽广泛应用但往往无法提供
准确预测肝细胞癌(HCC)肝移植(LT)候选者的死亡风险仍是一项关键挑战。传统评分系统,包括Child–Pugh评分、白蛋白-胆红素(ALBI)评分、终末期肝病模型(MELD)、MELD-Na、MELD 3.0和甲胎蛋白(AFP)评分,虽广泛应用但往往无法提供精确的风险评估。这一局限性源于肝功能障碍与肿瘤进展的双重负担使预后复杂化。因此,研究人员提出了一种综合方法以同时解决上述两方面问题,从而更好地管理HCC患者。研究人员提出了一种先进的基于机器学习的评分系统,利用集成学习(EL)和SHAP(SHapley Additive exPlanations)可解释方法以深入理解关键死亡风险因素。SHAP通过提供全局和局部解释,为决策过程提供宝贵见解。研究人员将SHAP值嵌入均匀流形近似与投影(UMAP)空间,进行监督聚类以推断潜在亚群,从而对关键变量在死亡风险评估中的贡献提供更高粒度的分析。研究结果表明,基于LightGBM(Light Gradient Boosting Machine)的系统仅利用SHAP分析选出的8个相关变量便优于传统评分指标。这些变量有效回应了该研究中提出的双重风险挑战。通过监督聚类,研究人员揭示了7个死亡风险水平递增的亚群,并实现了对风险因素贡献的精细评估。与现有研究相比,该研究为应对HCC合并肝功能障碍患者所设定的双重风险挑战提供了一种整合性数据驱动框架,同时为更精确的风险评估提供了有价值的工具,有助于指导治疗决策并协助监测患者疾病进展。
肝细胞癌(HCC)是全球重大公共卫生问题,2020年位居全球癌症相关死亡原因的第三位。肝移植(LT)作为早期HCC的根治性治疗手段,受限于供体器官的稀缺性,亟需建立高效的优先级分配策略以科学管理移植等待名单。当前肝脏分配系统基于统计学衍生的评分系统整合血清钠、胆红素、肌酐和白蛋白等关键实验室参数来估计等待名单死亡风险,进而对LT候选者进行优先级排序。然而,HCC患者面临肝衰竭死亡与肿瘤进展导致退出等待名单的双重风险,使得准确预测其等待名单死亡率尤为困难。
传统评分系统存在明显局限。Child–Pugh评分、ALBI评分、MELD及其衍生评分虽能有效评估肝脏疾病严重程度和肝硬化死亡风险,但均未考虑肿瘤相关风险;而AFP评分仅关注肿瘤进展,忽略了肝衰竭的竞争风险。HALT-HCC评分和Mehta模型虽尝试整合两类风险,但所有传统评分均采用线性模型,为变量分配固定权重而忽视变量间的交互作用,且仅纳入单一时点的测量值,未能反映疾病进展动态,这限制了风险评估的准确性和个体化程度。
近年来,机器学习(ML)在预测等待名单死亡率方面展现出潜力,但现有研究存在三方面不足:部分研究纳入大量未经相关性评估的特征,存在依赖高度相关特征的风险,可能掩盖关键模式识别并降低可解释性;尚无研究系统考察特征对模型预测的贡献程度,限制了临床应用价值;所有研究均聚焦于群体水平的等待名单死亡风险评估,缺乏个体化洞察,难以满足精准医学发展需求。
基于此,研究人员在《Health Data Science》发表了一项综合性研究,提出了一种先进的ML框架,旨在通过集成学习与可解释AI方法的结合,解决HCC肝移植候选者死亡预测中的双重风险挑战,为临床决策提供支持。
该研究的数据来源于美国器官获取和移植网络(OPTN)与联合网络器官共享中心(UNOS)的STAR数据库,纳入2002年2月27日至2023年9月30日期间登记的成人HCC例外状态患者,排除多器官移植候选者及3个月内接受移植者,最终队列包含11,647例患者。研究采用的技术方法主要包括以下几个方面:在数据预处理阶段,针对6项关键实验室变量(血清钠、肌酐、白蛋白、胆红素、AFP和国际标准化 bitterness 比值INR)计算连续测量值的差分(DIFF)以捕获疾病动态变化趋势;由于缺乏外部验证队列,研究采用30次下采样平衡结合3折交叉验证的内部验证策略;模型选择方面比较了随机森林(RF)、XGBoost和LightGBM三种树型集成模型,并通过网格搜索进行超参数优化;特征选择采用SHAP全局重要性方法确定最优特征子集;可解释性分析基于SHAP值生成全局摘要图和局部力图;监督聚类分析将SHAP值经UMAP降维至三维空间后应用K-medoids算法,结合轮廓系数和Davies-Bouldin指数确定最优聚类数目。
**研究结果**
**风险评分性能比较**。研究人员系统比较了传统评分与基于EL的评分系统性能。结果显示,仅关注肿瘤因素的AFP评分表现最差(AUROC=0.592),反映出其无法捕获肝衰竭竞争风险的局限。MELD系列评分表现优于Child–Pugh和ALBI评分,其中MELD 3.0最优(AUROC=0.750),但仍存在灵敏度与特异度不均衡的问题。HALT-HCC(AUROC=0.763)和Mehta模型(AUROC=0.782)由于同时考虑两类风险而表现更佳。三种EL模型在25变量设置下均优于传统评分,RF的AUROC达0.796。纳入动态变量后,LightGBM表现最优(AUROC=0.826,灵敏度77.42%,特异度73.42%),表明动态信息对捕获疾病进展具有重要价值。
**关键风险因素识别**。基于LightGBM模型的SHAP分析,研究人员确定了8个最优预测变量:胆红素、最大肿瘤大小、AFP、肌酐、腹水(Ascites_3)、白蛋白、血清钠和AFP_DIFF(AFP变化差分值)。该8变量模型(ELM-HCC)的AUROC达0.835,优于31变量完整模型,凸显了精简特征集的强预测力。值得注意的是,AFP_DIFF作为动态变量的纳入,强调了持续监测AFP水平的时间动态变化对死亡风险评估的重要性。SHAP摘要图显示:高值胆红素、最大肿瘤大小、AFP、肌酐和中等腹水(Ascites_3)与死亡风险增加相关;而高值白蛋白和血清钠则与风险降低相关。尤为重要的是,AFP_DIFF中等值(紫色,对应AFP水平停滞)即呈现正SHAP值,提示即使AFP稳定也可能预示风险,需加强监测或调整策略。
**风险分层与亚群分析**。研究人员将SHAP值经UMAP降维后应用K-medoids聚类,确定了7个最优亚群。生存分析显示各亚群死亡概率呈递增趋势:从最左侧的低风险亚群(<10%)到最右侧的高风险亚群(>90%)。各亚群呈现出不同的死亡风险影响因素组合,反映了肝衰竭和肿瘤进展驱动因素的不同权重变化。
**讨论**
研究人员提出的ELM-HCC评分系统通过LightGBM模型实现了对HCC肝移植候选者3个月等待名单死亡风险的精准预测,其性能显著优于现有传统评分系统。该研究的核心创新在于:首次将SHAP可解释方法系统应用于HCC等待名单死亡预测领域,不仅识别了关键风险因素,更通过监督聚类揭示了患者群体的内在异质性。
传统评分系统的根本缺陷在于线性假设和固定权重,无法捕捉变量间的非线性交互作用。EL方法通过融合多个弱学习器,能够有效建模复杂的非线性关系。动态变量的纳入进一步提升了模型对疾病进展的敏感度,AFP_DIFF的引入尤其体现了时间维度信息的价值。
SHAP增强的聚类分析是该研究的另一重要贡献。通过将SHAP值嵌入UMAP空间进行聚类,研究人员在保持统计有效性的同时确保了临床可解释性。7个亚群的识别揭示了HCC患者死亡风险的两条主要路径:肝功能障碍驱动型(如最高风险亚群表现为高胆红素、高肌酐和中等腹水)和肿瘤进展驱动型(如某亚群以极高AFP为特征)。低危亚群则以小肿瘤、低AFP和良好肝功能为特点。这种精细化的风险分层为个体化治疗决策提供了依据。
该研究的临床意义在于:为移植器官分配优化提供了决策支持工具;通过力图可视化使临床医生能够理解预测背后的原因;识别了需要加强监测的关键时间节点和指标变化模式。
研究结论指出,该综合性研究为预测HCC患者肝移植等待名单死亡率提供了宝贵见解。研究人员提出的新型评分ELM-HCC基于LightGBM模型构建,在预测3个月等待名单死亡风险方面较现有评分实现了显著改善。此外,研究识别了增强死亡风险评估的关键风险因素,并证明了SHAP增强聚类用于精细化死亡风险评估的有效性,提供了对患者死亡风险的深入理解。与聚类代表性特征相关的SHAP力图所揭示的有意义见解,为临床医生提供了更精确风险评估的宝贵工具,有助于指导治疗决策、监测患者进展并提升模型可解释性。这些贡献共同促进了更精确和主动的医疗服务,增强了临床决策制定并改善了肝移植候选者的预后结局。研究人员同时强调,确保公平性对于人工智能决策支持工具在移植领域的公平应用至关重要。