《Cancer Reports》：Machine Learning-Based Prediction of Brain Metastasis at Initial Diagnosis in Small-Cell Lung Cancer: Model Development and SHAP Interpretation Study
编辑推荐：
背景：小细胞肺癌（small cell lung cancer, SCLC）中的脑转移（brain metastasis, BM）通常与较差的生存率和生活质量相关，因此在诊断时及时识别高可能性的BM患者至关重要。目的：为整体SCLC人群开发并验证一种机器学习（
背景：小细胞肺癌（small cell lung cancer, SCLC）中的脑转移（brain metastasis, BM）通常与较差的生存率和生活质量相关，因此在诊断时及时识别高可能性的BM患者至关重要。目的：为整体SCLC人群开发并验证一种机器学习（machine learning, ML）预测BM的模型，并提供可解释且临床可及的风险评估工具。方法与结果：研究人员进行单因素和多因素logistic回归分析以识别BM相关因素；应用八种ML算法构建模型；使用曲线下面积（area under the curve, AUC）、精确率–召回率曲线下面积（area under the precision–recall curve, AUPRC）和马修斯相关系数（Matthews correlation coefficient, MCC）量化模型性能；使用SHapley Additive exPlanations（SHAP）解释最佳性能模型；开发网络计算器以促进个体化BM风险估计。多因素logistic回归显示年龄、T分期、肿瘤大小、骨转移、肺转移和远处淋巴结转移与BM独立相关。极端梯度提升（Extreme Gradient Boosting, XGB）在验证队列中取得最佳判别能力，AUC为0.8762，AUPRC为0.9025，准确率为0.7974，精确率为0.8009，召回率为0.7974，特异度为0.8516，MCC为0.5983，F1得分为0.7968，布里尔得分（Brier score）为0.1377。交叉验证显示相似强劲性能。SHAP分析确定年龄、肿瘤大小、T分期、远处淋巴结转移、骨转移和肺转移是BM风险的最强贡献因素。开发了基于网络的风险计算器以促进探索性风险分层和个体化BM风险估计。结论：研究人员创建并在内部验证了可解释的ML模型以识别SCLC诊断时的BM，XGB表现最佳。其基于网络的工具可协助识别诊断时较高BM可能性的患者，并为探索性临床评估提供补充风险分层信息。在常规临床实施该模型前需进一步前瞻性验证。
研究背景方面，小细胞肺癌（small cell lung cancer, SCLC）是一种高度异质性且具有极强侵袭性的肺神经内分泌肿瘤，以快速生长和早期远处播散倾向为特征。脑转移（brain metastasis, BM）是SCLC最常见的转移部位之一，初诊时发生率约16.4%，疾病进程中可达40%–50%，存活超过2年者累积发生率可达60%–80%。BM显著恶化神经功能、生活质量和生存；广泛期SCLC（extensive-stage SCLC, ES-SCLC）患者5年生存率仅1%–2%。预防性颅脑照射（prophylactic cranial irradiation, PCI）虽可降低约50%的BM发生率，但未能改善总生存（overall survival, OS）且可能导致神经认知下降，其常规应用日益受争议。现有预测工具稀缺、范围有限，多依赖传统回归、局限于广泛期或缺乏外部验证，临床亟需稳健、准确且适用的预测模型以识别全SCLC人群高危个体，支持个体化影像评估和风险管理。该研究利用监测、流行病学和最终结果（Surveillance, Epidemiology, and End Results, SEER）数据库，开发并比较多种机器学习（machine learning, ML）算法，构建可解释的BM预测模型及网络计算器，以辅助探索性风险分层和个体化影像评估。结论认为研究人员创建并在内部验证了可解释的ML模型以识别SCLC诊断时的BM，极端梯度提升（Extreme Gradient Boosting, XGB）表现最佳，其网络工具可协助识别高危患者并提供补充风险分层信息，但需进一步前瞻性验证方可常规临床应用，重要意义在于为SCLC初诊BM风险筛查提供了基于大样本和ML的可解释工具，发表于《Cancer Reports》。
主要关键技术方法包括：遵循TRIPOD-ML指南开展有监督ML预测模型开发与验证；数据来源于SEER Incidence Research Plus数据库（17 registries; November 2023 submission）2010–2021年组织学确诊SCLC患者，外部验证队列为广西壮族自治区南溪山医院485例SCLC患者；变量依据AJCC第8版TNM分期定义，保留12个临床相关预测因子；将队列按7:3随机分为训练集与验证集，外部验证使用独立医院队列；比较八种有监督算法（Logistic Regression (LR)、XGB、Bernoulli Na?ve Bayes (BNB)、Random Forest (RF)、Decision Tree (DT)、Multilayer Perceptron (MLP)、K-Nearest Neighbor (KNN)、Support Vector Machine (SVM)），采用重复10折交叉验证与随机搜索调参；使用AUC、AUPRC、准确率、精确率、召回率、特异度、MCC、F1-score、Brier score评估性能；对最佳模型使用SHapley Additive exPlanations（SHAP）进行全局与局部解释；开发基于网络的风险计算器；统计分析与回归使用Python 3.8和R 4.1.0，连续变量用中位数与四分位距及Wilcoxon秩和检验，分类变量用频数百分比及卡方或Fisher精确检验，单因素与多因素logistic回归筛选独立危险因素（p < 0.05）。
研究结果部分，3 Results中各小节结论如下：
3.1 Demographic and Clinical Characteristics：研究共纳入9449例SCLC患者，其中1701例（18%）初诊伴BM，7748例（82%）无BM；按7:3分为训练集6614例和验证集2835例，两组基线特征均衡；外部验证队列485例来自中国医院，BM占比约17.7%。
3.2 Logistic Regression Analysis：单因素logistic回归显示年龄、T分期、N分期、肿瘤大小、同肺叶内单独肿瘤结节、骨转移、肝转移、肺转移、远处淋巴结转移与BM显著相关（p < 0.05）；多因素分析确认年龄（p < 0.000）、T分期（p < 0.05）、肿瘤大小（p = 0.046）、骨转移（p = 0.001）、肺转移（p = 0.015）和远处淋巴结转移（p < 0.000）为BM独立相关因素。
3.3 Correlation Analysis：预测因子间Spearman相关分析显示T分期与肿瘤大小强相关（ρ = 0.7308），其余因子间相关性弱（|ρ| < 0.5）。
3.4 Model Performance：八种算法中XGB在10折交叉验证中平均AUC最高（0.8733 ± 0.0127）；验证集中XGB取得AUC 0.8762、AUPRC 0.9025、准确率0.7974、精确率0.8009、召回率0.7974、特异度0.8516、MCC 0.5983、F1-score 0.7968、Brier score 0.1377，优于其他模型；校准截距0.0211、斜率0.9871接近理想值，Brier score 0.1377表明预测误差低，综合判别与校准性能最优，选为最终模型。
3.5 External Validation of the Model：在中国医院485例外部队列中，XGB模型AUC为0.8169、准确率0.8907、精确率0.8837、召回率0.4419、MCC 0.5769、F1-score 0.5891、AUPRC 0.6647、Brier score 0.1005；决策曲线分析（decision curve analysis, DCA）显示在阈值概率0.10–0.50范围内XGB具有稳定正向净获益，优于“全部治疗”策略，提示外部验证下仍具潜在临床效用。
3.6 Feature Importance and SHAP Analysis：XGB全局特征重要性显示年龄、肿瘤大小、T分期、远处淋巴结转移、骨转移、肺转移贡献最大；SHAP摘要图与瀑布图在群体与个体层面量化各预测因子对BM风险的贡献方向及大小，例如高龄与骨转移在特定个案中降低预测值，而肿瘤大小、远处淋巴结转移、T分期、肺转移增加预测值，基线预测值为0.6098。
3.7 Web-Based Risk Calculator：研究人员基于最终XGB模型开发了网络风险计算器（
http://101.37.164.15:7778/ ），用户输入常规临床变量可获得个体化初诊BM风险估计，目前用于研究与探索性风险分层，需前瞻多中心验证后方可常规临床应用。
讨论部分总结：BM在SCLC中致残致死负担重，虽推荐诊断时脑MRI，但无症状患者常规监测MRI未被指南倡导，可靠预测模型有助于分层强化监测或预防干预、减少延误与医疗负担。本研究开发并验证多种ML模型，XGB因处理非线性交互、高维数据与噪声的优势表现最佳，与既往仅针对ES-SCLC的ML研究相比覆盖全分期更贴近真实人群；采用SHAP增强“黑箱”模型透明度，量化变量贡献以提升临床可接受性。Logistic回归确定的独立因素与既往研究一致：年轻年龄、较大肿瘤与高级别T分期、远处淋巴结（尤其N3）、骨与肺转移均关联更高BM风险，可能与循环肿瘤细胞播散及CXCL12/CXCR4轴等机制有关。PCI生存获益存疑且有神经毒性，基于常规变量识别高危者以支持个体化影像评估与探索性决策日益重要，但模型尚不能指导PCI决策。研究优势在于大样本SEER队列、多算法严谨交叉验证与SHAP解释；局限在于SEER仅记录初诊转移故模型识别同步BM而非随访中新发BM、回顾性潜在偏倚、缺乏治疗与分子及影像组学等变量、完整病例分析可能引入选择偏倚，未来需整合多组学数据并前瞻验证。结论部分翻译：利用大型人群队列，研究人员开发并验证了多种用于识别SCLC患者诊断时BM的ML模型，XGB表现出最佳预测性能；最终模型在SHAP解释支持下可利用常规可用临床变量进行个体化风险估计，该工具可为初诊较高BM可能性患者提供补充风险分层信息并支持探索性临床评估，但在常规临床实施前需进一步前瞻多中心验证；还需额外外部验证与前向评估以评估模型在不同临床环境中的适用性，并探索其与新兴影像及分子生物标志物的整合。
