《ESMO Real World Data and Digital Oncology》:Predicting efficacy in patients with locally advanced/metastatic urothelial carcinoma (mUC) treated with immunotherapy using explainable machine learning approaches: the SamUR-AI trial on behalf of the Meet-URO group
编辑推荐:
背景:免疫检查点抑制剂(ICI)重塑了转移性尿路上皮癌(mUC)的治疗格局,但可靠的预测性生物标志物仍然有限。SamUR-AI研究旨在评估机器学习(ML)和可解释人工智能(XAI)方法是否能改善接受ICI治疗的mUC患者的临床结局预测。材料与方法:研究人员进行
背景:免疫检查点抑制剂(ICI)重塑了转移性尿路上皮癌(mUC)的治疗格局,但可靠的预测性生物标志物仍然有限。SamUR-AI研究旨在评估机器学习(ML)和可解释人工智能(XAI)方法是否能改善接受ICI治疗的mUC患者的临床结局预测。材料与方法:研究人员进行了一项多中心回顾性分析,纳入了来自Meet-URO网络的34家意大利机构的438名接受ICI治疗的患者。研究人员利用ML和XAI方法分析了基线临床和实验室特征,以预测客观缓解率(ORR)、无进展生存期(PFS)和总生存期(OS)。结果:分类模型在预测ORR方面表现欠佳(最佳测试F1-score:0.61),这可能是由于类别不平衡和过拟合。相比之下,生存模型达到了中等的预测准确度,其中Extra Survival Trees模型在OS预测上的C-index(一致性指数)达到了0.67。基于SHapley Additive exPlanations(SHAP)的可解释性分析确定了关键的预后因素,包括东部肿瘤协作组体能状态评分(ECOG PS)、免疫治疗线数及治疗组合、肝和肺转移、中性粒细胞计数和血红蛋白水平。结论:尽管需要进一步验证,但这些发现强调了增强XAI的ML在识别临床相关特征及支持mUC患者个性化治疗策略方面的潜力。
该研究发表于《ESMO Real World Data and Digital Oncology》期刊,针对转移性尿路上皮癌(mUC)免疫治疗缺乏可靠预测标志物及机器学习(ML)模型“黑箱”不可解释的临床痛点,研究人员开展了SamUR-AI试验。研究通过多中心回顾性分析,纳入意大利34家机构的438例患者,利用ML和XAI技术预测客观缓解率(ORR)、无进展生存期(PFS)和总生存期(OS),旨在解决传统生物标志物(如PD-L1、TMB)临床效用不明确及模型透明度不足的问题。
关键技术方法包括:基于Python v3.11的数据预处理(缺失值填补、对数变换、标准化及相关性分析);采用最小冗余最大相关性(MRMR)及单变量选择等方法进行特征筛选;构建八种分类模型(如XGBoost、SVM)和六种生存模型(如Extra Survival Trees、Cox比例风险模型)并进行超参数优化;应用SHapley Additive exPlanations(SHAP)进行模型可解释性分析。样本队列来源于Meet-URO数据库,涵盖2015至2022年间接受免疫检查点抑制剂(ICI)治疗的mUC患者。
研究结果方面,数据集描述显示,经预处理后最终保留22个特征用于分析,患者中位年龄66岁,77.6%为男性,63.2%接受ICI单药治疗。分类任务表现不佳,支持向量机(SVM)虽在训练集F1-score达0.88,但测试集仅为0.61,表明存在过拟合和类别不平衡问题。生存分析任务中,Extra Survival Trees(EST)模型预测OS的C-index在测试集达0.67,优于Cox比例风险模型;生存支持向量机(SSVM)结合单变量特征选择预测PFS的C-index为0.64。可解释性分析通过SHAP蜂群图揭示,免疫治疗联合用药(ICI+化疗/双免等)较单药更易被模型归类为应答者;而较差的ECOG PS、肝/肺转移及较高的治疗线数是OS和PFS的主要负面预测因子,高血红蛋白水平则与较好预后相关。
讨论部分指出,分类模型性能受限主要源于应答者与非应答者的比例失衡(训练集1:2,测试集1:3)及算法过拟合。生存模型虽表现尚可(C-index接近0.7),但仍需提升。XAI分析结果与临床实践相符,证实了ECOG PS和转移灶部位的预后价值,并提示早期联合治疗可能改善结局。研究局限性包括回顾性设计固有的选择偏倚、样本量较小及缺乏外部验证数据集。结论强调,尽管当前ML模型在分类任务中表现未达理想,但其通过XAI识别出的关键因素与临床认知一致,凸显了在样本量和数据质量受限的临床环境下应用可解释AI的挑战与潜力,未来需整合多组学数据及扩大队列进行前瞻性验证。