《Cancer Medicine》：Development of an Artificial Intelligence Web Application for Predicting Chemotherapy-Induced Neutropenia in Patients With Non-Small Cell Lung Cancer: A Prospective Study
编辑推荐：
摘要
目的：本研究旨在开发一个用于预测非小细胞肺癌（NSCLC）患者化疗所致中性粒细胞减少症（CIN）的人工智能（AI）网络应用程序。
方法：研究人员开展了一项前瞻性研究，纳入了2019年至2024年间来自天津医科大学总医院的310名NSCLC患者，这
摘要
目的：本研究旨在开发一个用于预测非小细胞肺癌（NSCLC）患者化疗所致中性粒细胞减少症（CIN）的人工智能（AI）网络应用程序。
方法：研究人员开展了一项前瞻性研究，纳入了2019年至2024年间来自天津医科大学总医院的310名NSCLC患者，这些患者共接受了1047个化疗周期。收集了详细的临床信息和实验室数据。数据集在患者层面被随机分为训练集（80%）和测试集（20%）。采用机器学习方法构建模型。在训练集上通过交叉验证完成训练和超参数优化（HPO）后，通过测试集比较模型性能。同时，通过整合上述优化的基学习器，构建了一个堆叠集成模型。使用标准评估指标，如受试者工作特征曲线下面积（AUC）、准确率、召回率、精确率、F1分数和Brier分数，进行模型判别。为增强最优模型的透明度，研究人员将Shapley加法解释（SHAP）与局部可解释模型无关解释（LIME）及部分依赖图（PDP）技术结合使用。基于最佳的机器学习模型，在互联网上开发了一个AI应用程序。
结果：分类提升（CatBoost）模型的AUC为0.849（95% CI：0.788-0.905），准确率为0.813，召回率为0.814，特异度为0.813，F1分数为0.642，Brier分数为0.141，其判别能力优于其他模型。模型中最重要的五个特征被确定为体表面积、淋巴细胞计数、体重指数（BMI）、绝对中性粒细胞计数和化疗方案。值得注意的是，体表面积是预测结局的最重要影响因素。具体而言，较高的体表面积水平与CIN风险增加相关。紫杉醇+卡铂和紫杉醇+顺铂的化疗方案与CIN风险呈正相关。较低的淋巴细胞计数、BMI和绝对中性粒细胞计数提示较高的CIN风险。基于CatBoost模型的AI应用程序已部署在http://39.96.172.15/上。
结论：CatBoost模型在预测NSCLC患者CIN风险方面表现出较强的判别能力。所开发的AI模型可作为增强临床决策的有价值工具。
论文解读文章
研究背景与问题
化疗是非小细胞肺癌（NSCLC）多学科治疗的基石，但化疗所致中性粒细胞减少症（CIN）是其常见且临床意义重大的血液学并发症。严重（3/4级）中性粒细胞减少可增加感染、脓毒症、住院及化疗中断或减量的风险。尽管预防性使用粒细胞集落刺激因子（G-CSF）可降低风险，但由于风险分层工具不完善，其应用并不一致。现有预测模型多基于逻辑回归或Cox比例风险模型，其AUC约为0.65-0.75，预测效能中等，无法满足精准医学需求。少数研究整合药代动力学/药效学参数，但模型构建复杂、临床通用性差。近年来，机器学习模型在临床预测中展现出潜力，但专门针对NSCLC队列的高性能模型罕见，且多数未被开发为易用的网络应用程序，限制了研究成果向临床实践的转化。模型可解释性亦是推广应用面临的挑战。因此，本研究旨在开发一个基于人工智能（AI）的网络应用程序，利用先进机器学习算法为接受骨髓抑制化疗的NSCLC患者提供个体化的严重CIN风险预测，以指导G-CSF的合理预防性使用，优化化疗管理。该论文发表在《Cancer Medicine》。
主要技术方法
研究人员在天津医科大学总医院开展前瞻性观察研究，纳入2019年至2024年间310名NSCLC患者（共1047个化疗周期）。采用Boruta算法进行特征筛选，使用5折交叉验证及Optuna框架对6种机器学习模型（深度森林、CatBoost、神经网络、决策树、随机森林、支持向量机）进行超参数优化（HPO），并构建堆叠集成模型。模型评估采用AUC、准确率、召回率、特异度、F1分数和Brier分数，并绘制决策曲线分析（DCA）。模型解释采用Shapley加法解释（SHAP）、局部可解释模型无关解释（LIME）和部分依赖图（PDP）。基于最优模型，利用Streamlit平台开发在线AI应用程序。
研究结果
1. Clinical Characteristics（临床特征）：
共纳入310名患者（中位年龄65.00岁，74.84%为男性），250个（23.88%）化疗周期发生≥3级CIN。化疗方案以紫杉醇（PTX）+卡铂（CBP）为基础（43.65%）和培美曲塞（Pem）+CBP为基础（32.76%）为主。通过患者特征分析，研究人员获得了研究人群的基础数据分布。
2. Feature Selection（特征筛选）：
采用Boruta算法筛选出11个重要特征：年龄、化疗方案、化疗重复周期数、淋巴细胞计数、肾小球滤过率、白细胞计数、体表面积、BMI、绝对中性粒细胞计数、血浆胆红素和丙氨酸氨基转移酶。这些特征作为后续预测模型的输入变量。
3. Model Construction and Performance（模型构建与性能）：
经HPO后，CatBoost模型在测试集上表现最佳：AUC为0.849（95% CI: 0.788-0.905），准确率0.813，召回率0.814，特异度0.813，F1分数0.642，Brier分数0.141。堆叠模型AUC最高（0.854），但准确率和特异度较低。综合考虑判别能力与模型稳定性，研究人员选择CatBoost作为最终预测模型。敏感性分析（包括完整病例分析和仅首次化疗周期分析）结果与主分析一致，表明模型稳健。
4. Model Interpretation（模型解释）：
SHAP分析显示，最重要的五个特征依次为：体表面积、淋巴细胞计数、BMI、绝对中性粒细胞计数和化疗方案。体表面积与CIN风险呈正相关，当体表面积>1.624 m2时风险增加。淋巴细胞计数<1.070×10?/L时CIN风险增加。BMI<25.344 kg/m2时风险较高，但BMI低于24.780 kg/m2后风险虽下降但仍高于较高BMI组。绝对中性粒细胞计数低于约4.410×10?/L时CIN风险增加。化疗方案中，紫杉醇+卡铂和紫杉醇+顺铂与CIN风险正相关。PDP和ICE图进一步展示了特征对预测结果的效应。
5. Online AI Prediction（在线AI预测）：
基于CatBoost模型的AI应用程序部署于http://39.96.172.15/，用户可免费访问。输入相关参数后，应用程序输出CIN风险概率，并以0.348为阈值定义高风险个体（可能受益于预防性G-CSF）。同时生成详细风险报告，列出关键风险/保护因素及其相对重要性。
总结讨论与结论
讨论部分指出：准确预测CIN具有重要临床意义，可指导高风险患者提前预防、低风险患者避免过度干预。本研究通过Boruta算法筛选特征，构建了高效精简的机器学习模型。体表面积是最重要的预测因子，其与CIN风险的正相关可能与化疗剂量计算中的药代动力学效应有关。淋巴细胞计数、BMI、绝对中性粒细胞计数和化疗方案均为CIN的显著预测因素。与既往研究不同，本研究中体表面积与CIN风险呈正相关，而BMI呈负相关。化疗方案中紫杉醇+卡铂/顺铂风险较高。CatBoost模型在平衡判别能力、实用性和可解释性方面优于其他模型。通过整合SHAP、LIME和PDP多种解释方法，增强了模型透明度。在线AI应用程序的部署降低了临床采用门槛。研究局限包括单中心设计、基于中国患者数据（需在不同人群中验证）以及未纳入新型生物标志物。
结论部分翻译：总之，本研究开发的人工智能网络应用程序为预测NSCLC患者的CIN提供了一种新的有效工具。尽管存在局限性，但它为未来的临床实践和研究奠定了基础。随着技术的不断进步和深入研究的开展，该模型有望在临床环境中发挥更大作用，为NSCLC患者的化疗管理提供更强有力的支持。
