《Frontiers in Oncology》：Development and validation of a machine learning-based model for predicting survival in patients with bladder neuroendocrine carcinoma: a large retrospective study
编辑推荐：
背景： 膀胱神经内分泌癌（BNEC）是一种罕见但高度侵袭性的恶性肿瘤，预后极差。目前TNM分期系统提供的预后信息有限，且缺乏经过验证的预后预测工具。本研究旨在利用大规模人群数据，开发并验证一种基于机器学习（ML）的BNEC患者个体化生存预测模型。
方法： 研究
背景： 膀胱神经内分泌癌（BNEC）是一种罕见但高度侵袭性的恶性肿瘤，预后极差。目前TNM分期系统提供的预后信息有限，且缺乏经过验证的预后预测工具。本研究旨在利用大规模人群数据，开发并验证一种基于机器学习（ML）的BNEC患者个体化生存预测模型。
方法： 研究人员从美国监测、流行病学和最终结果（SEER）数据库中提取2004年至2021年间经病理确诊的BNEC患者数据。通过单因素和多因素Cox回归分析确定独立预后因素。基于独立预后因素，研究人员利用训练集（占总样本的70%）构建了八种机器学习模型，即随机森林（RF）、梯度提升机（GBM）、LASSO-Cox、CoxBoost、支持向量机（SVM）、XGBoost、SuperPC和plsRcox。在验证集（占总样本的30%）上，使用一致性指数（C-index）、时间依赖性受试者工作特征（ROC）曲线、校准曲线和决策曲线分析（DCA）对模型性能进行全面评估。
结果： 最终分析共纳入2117例BNEC患者。多因素分析显示，年龄>74岁（HR = 1.51，p<0.001）、男性（HR = 1.17，p=0.038）、晚期T分期（T2–T4）、淋巴结阳性（N1–N2）、远处转移（M1，HR = 1.99，p<0.001）、手术（经尿道膀胱肿瘤切除术[TURBT]：HR = 0.75，P = 0.017；根治性膀胱切除术[RC]：HR = 0.36，P<0.001）、放疗（HR = 0.79，p=0.002）和化疗（HR = 0.43，p<0.001）为独立预后因素。在八种机器学习模型中，GBM算法在训练集和验证集中均表现出最佳性能，其1年、3年和5年生存预测的AUC值分别为0.846/0.737、0.825/0.730和0.816/0.742。决策曲线分析（DCA）显示，在广泛的阈值概率范围内具有更大的临床净获益，而校准曲线表明预测结果与观察结果之间具有高度一致性。基于GBM衍生风险评分的风险分层显示，高风险组与低风险组之间的生存差异具有统计学意义（p < 0.0001）。
结论： 基于GBM的机器学习预后模型在预测BNEC患者生存结局方面表现出相对良好的性能。该模型可能为个体化预后评估和风险分层提供有用的工具，但仍需在多中心前瞻性队列中进一步验证。
论文解读文章
一、研究背景与问题
膀胱神经内分泌癌（BNEC）在全部膀胱恶性肿瘤中占比不足1%，但具有高度侵袭性的生物学行为，其预后显著差于膀胱尿路上皮癌。由于发病率低，其标准治疗方案往往借鉴小细胞肺癌或其他部位神经内分泌肿瘤的经验，缺乏高级别循证医学证据支持。目前，BNEC的预后评估主要依赖美国癌症联合委员会（AJCC）TNM分期系统，但该系统未能充分纳入患者特征和治疗方式等多方面因素，导致预测效能有限。近年来，机器学习（ML）在医学预后预测中展现出显著潜力，能够高效处理高维、非线性数据并捕捉变量间的复杂交互作用，从而提供比传统统计方法更准确的预测。尽管既往研究曾尝试为BNEC构建预后列线图，但系统性地应用和比较多种先进机器学习算法来预测BNEC预后仍属空白。因此，本研究基于SEER数据库的大规模数据，旨在系统筛选影响BNEC预后的独立因素，构建并比较八种主流机器学习生存预测模型的性能，识别预测性能最优的模型并进行全面的内部验证和临床适用性评估，以填补BNEC预后预测领域的研究空白。
二、研究设计与方法
研究人员从美国国家癌症研究所公开的监测、流行病学和最终结果（SEER）数据库中提取2004年至2021年的病例信息。纳入标准包括：膀胱原发神经内分泌癌（原发部位编码C67.0–C67.9）；经病理确诊且组织学分类符合指定国际肿瘤学疾病分类（ICD-O-3）编码；诊断时年龄≥18岁；临床信息完整且随访≥1个月。最终从2858例候选病例中筛选出2117例符合条件的患者。研究人员将患者按7:3比例随机分为训练集（1482例）和验证集（635例）。通过单因素和多因素Cox回归分析确定与总生存期（OS）相关的预后因素。基于独立预后因素，研究人员构建了八种机器学习生存预测模型，包括随机生存森林（RSF）、梯度提升机（GBM）、LASSO-Cox、CoxBoost、SurvivalSVM、XGBoost、SuperPC和plsRcox。模型性能通过一致性指数（C-index）、时间依赖性受试者工作特征（ROC）曲线、校准曲线和决策曲线分析（DCA）进行评估。此外，研究人员还构建了基于TNM分期的传统模型作为对照，并依据GBM模型的中位风险评分将患者分为高风险组和低风险组，采用Kaplan–Meier生存分析和log-rank检验评估两组间的生存差异。
三、研究结果
3.1 基线特征分析
研究最终纳入2117例BNEC患者，训练集与验证集在所有基线变量上均无显著差异（p > 0.05），表明数据划分均衡。总体队列中，中位年龄为74岁，男性占79.5%，白人占88.6%。小细胞癌是最常见的组织学亚型（76.9%）。诊断时，46.1%的患者处于III–IV期，80.4%处于T2–T4期，凸显了BNEC的侵袭性特征。治疗方面，67.9%的患者接受了经尿道膀胱肿瘤切除术（TURBT），24.7%接受了根治性膀胱切除术（RC），61.3%接受了化疗，23.5%接受了放疗。
3.2 独立预后因素分析
单因素Cox回归分析显示，年龄>74岁、男性、膀胱颈原发肿瘤、类癌组织学类型、T4分期、淋巴结转移、远处转移、手术、放疗和化疗均与OS显著相关。多因素Cox回归分析确认，年龄>74岁（HR = 1.51）、男性（HR = 1.17）、晚期T分期（T4 vs. T0/Ta/T1，HR = 1.77）、淋巴结转移（N2 vs. N0，HR = 1.55）和远处转移（M1，HR = 1.99）是预后不良的独立因素。手术（TURBT：HR = 0.75；RC：HR = 0.36）、放疗（HR = 0.79）和化疗（HR = 0.43）则与较好的OS独立相关。此外，类癌肿瘤在多因素分析中也与较好的OS相关（HR = 0.09），但因样本量有限，该结果应谨慎解读。
3.3 机器学习预测模型的建立与评估
基于多因素Cox回归确定的独立预后因素，研究人员在训练集中构建了八种机器学习模型。在训练集中，GBM模型在1年、3年和5年生存预测的时间依赖性AUC值分别为0.846、0.825和0.816，均高于其他模型。在验证集中，GBM模型的AUC值分别为0.737、0.730和0.742，同样表现最优。RSF、LASSO-Cox、XGBoost、CoxBoost和plsRcox模型的性能次之，而SurvivalSVM和SuperPC在所有时间点的AUC值均显著低于其他模型。C-index分析结果与AUC结果一致，GBM模型在训练集和验证集中均具有最高的C-index值，且在60个月时间点仍保持在0.69以上，表明其具有持续的判别能力。与基于TNM分期的传统模型相比，GBM模型在1年、3年和5年的时间依赖性AUC值均更高。基于上述结果，研究人员选择GBM模型作为BNEC患者生存预测的最终模型。
3.4 GBM模型的性能验证
校准曲线分析显示，在1年、3年和5年所有评估时间点，GBM模型的预测数据点紧密聚集在对角参考线附近，表明预测值与观察值之间具有高度一致性。在1年生存预测中，校准曲线在中高概率范围内几乎与对角线重合；在5年预测中，低概率范围内观察值略高于预测值，提示模型在该区间可能存在轻微的系统性低估，但偏差仍在临床可接受范围内。决策曲线分析（DCA）显示，GBM模型的净获益曲线在广泛的阈值概率范围内显著超过两条参考线。在训练集中，其临床有效范围覆盖1年预测的0.05–0.75、3年预测的0.10–0.70和5年预测的0.15–0.65。在验证集中，该范围略有收窄，但仍处于常用临床决策阈值内。例如，在1年预测中，阈值概率为0.3时净获益值约为0.35。这些结果表明GBM模型在不同阈值概率下可为预后风险分层提供额外的临床净获益。
3.5 GBM模型的风险分层能力
依据GBM模型计算的风险评分，研究人员将患者分为高风险组和低风险组。Kaplan–Meier分析显示，在训练集中，两组的生存曲线从随访初期即出现显著差异并持续保持。低风险组患者表现出良好的长期生存潜力，中位生存期显著延长。log-rank检验显示两组间差异具有极高的统计学显著性（p < 0.001）。验证集中也观察到一致的结果。这些发现证明GBM模型能够有效识别具有不同预后的患者亚群，为个体化预后评估和风险分层提供了有用信息。
四、讨论与结论
讨论部分总结： 本研究的独立预后因素与既往研究报道基本一致，高龄、男性和较高的TNM分期与较差的OS相关，而手术、化疗和放疗亦被确认为预后变量。与传统的Cox回归模型或近期发表的模型相比，GBM模型展现出更高的预测准确性，这一优势源于机器学习算法处理复杂非线性关系和变量间交互作用的强大能力。研究通过决策曲线分析（DCA）证明了模型的临床实用性，这是许多预后研究中常被忽视的关键环节。然而，本研究存在若干局限性：回顾性设计可能引入选择和信息偏倚；SEER数据库缺乏化疗具体方案、放疗剂量、手术切缘状态及Ki-67增殖指数等潜在相关变量；模型仅进行了内部验证，未开展独立外部验证；治疗相关变量与生存之间的关联可能受适应症混杂和永存时间偏倚影响，不应被解释为因果性治疗效果。未来研究将聚焦于收集特征更丰富的多中心外部数据进行验证，并整合影像组学和基因组学等多模态数据以进一步提升模型预测精度。
结论翻译： 在本研究中，研究人员利用机器学习GBM算法构建并验证了BNEC患者的生存预测模型。该模型展现出良好的预测性能，能够有效区分不同预后风险水平的患者。该模型可能为个体化预后评估和风险分层提供定量工具，并可能为患者咨询提供有用信息。
