用于预测转移性肾细胞癌免疫疗法疗效的可解释机器学习——Meet-URO 15-AI研究

《npj Precision Oncology》：Explainable machine learning to predict immunotherapy outcomes in metastatic renal cell carcinoma - Meet-URO 15-AI study

　　

摘要

转移性肾细胞癌在临床治疗上仍面临诸多挑战，因为其预后差异较大，且用于免疫疗法的预测生物标志物较为有限。我们利用多中心回顾性Meet-URO 15研究的数据进行了可解释机器学习分析，该研究共纳入571名接受二线或更高剂量尼伏鲁单抗治疗的转移性肾细胞癌患者。通过临床和炎症相关指标，我们建立了用于评估疾病控制率、3个月和9个月无进展生存期以及6个月、18个月和24个月总生存期的分类模型，同时还建立了用于评估持续无进展生存期和总生存期的模型。模型性能通过分类任务的加权F1分数以及生存分析的一致性指数来评估，同时通过Shapley加法解释方法提升模型的可解释性。在6个月总生存期预测方面，采用支持向量机模型并结合最小冗余最大相关性特征选择方法取得了最佳分类效果，测试集上的F1分数为0.81，外部验证数据中的F1分数为0.77。在生存分析中，随机生存森林在测试集上的总生存期一致性指数为0.68。炎症指标、IMDC评分、血红蛋白、淋巴细胞和血小板均被证实是重要的预后预测因子。这些研究结果表明，可解释机器学习是一种有效的手段，有助于提高对接受免疫疗法治疗的转移性肾细胞癌患者预后的预测精度。