基于统计与机器学习方法的弥漫性大B细胞淋巴瘤预后生存模型

《npj Precision Oncology》：Prognostic survival models for diffuse large B-cell lymphoma using statistical and machine learning approaches

　　

摘要

尽管弥漫大B细胞淋巴瘤是一种异质性较强的疾病，但现有的预后评估工具，如修订后的国际预后指数（R-IPI）和国家综合癌症网络预后指数（NCCN-IPI），并未完全反映这种异质性，而且其在竞争风险模型中的有效性也尚未得到验证。我们利用机器学习方法和传统回归分析方法，针对淋巴瘤及相关疾病登记库中的2769名患者，建立了总体生存期和无进展生存期的预后模型，并对其进行了验证。影响预后的因素包括年龄、疾病分期、体能状态、化学免疫疗法的使用情况、肌酐水平、乳酸脱氢酶浓度以及贫血状况；其中，结外受累情况用于预测总体生存期，而BCL6基因表达则用于预测无进展生存期。机器学习模型和传统回归模型表现相似，具备较好的区分能力，尤其是在1年和2年时的预测效果。在验证过程中，Cox模型的1年总体生存期AUC值为0.770，优于R-IPI的0.722，与NCCN-IPI的0.746相当。 nomogram模型和随机生存森林模型则能更精准地区分5年总体生存期风险，高风险患者的风险分离度为26%，低风险患者为96%，而传统R-IPI模型的风险分离度为50%-91%，NCCN-IPI模型为34%-96%。竞争风险分析表明，传统方法低估了高风险群体的生存率。虽然我们的模型为风险分层提供了有效依据，但仍需进行外部验证。