基于机器学习算法的局部晚期胃癌患者新辅助治疗后的多模态特征与预后风险评估：一项多中心研究

《Gastric Cancer》：Multimodal features and prognostic risk assessment in locally advanced gastric cancer patients following neoadjuvant therapy based on machine learning algorithms: a multicenter study

　　

摘要

背景

对于局部晚期胃癌患者，推荐采用新辅助治疗，但部分患者的反应不佳。本研究旨在构建一个整合CT图像、转录组测序以及临床病理数据的多元模型，用以评估接受新辅助治疗的局部晚期胃癌患者的预后。

材料与方法

这项多中心研究共纳入505名接受新辅助治疗的局部晚期胃癌患者。从这505名患者的术前CT图像中提取了放射组学特征。另外277份新辅助治疗后的样本进行了RNA测序，同时还使用了癌症基因组图谱和基因表达组数据库中的数据（总样本数n=804）。这些患者被分为训练组、内部验证组和外部验证组。通过机器学习算法识别出与新辅助治疗反应相关的关键放射组学、分子学和临床特征，随后将这些特征整合到一个多元模型中，用以预测患者的总生存期和无病生存期。

结果

最终筛选出了6个与新辅助治疗反应显著相关的放射组学特征和3个分子学特征。放射组学风险（危险比HR为4.0，P值＜0.001）和分子学风险（HR为7.1，P值＜0.001）均为独立的预后因素。通过整合放射组学风险、分子学风险及临床特征，构建出了一个多元模型。C指数分析结果显示（总生存期C指数为0.855；无病生存期C指数为0.786），该多元模型的预测效果优于单一模型以及ypTNM分期系统。机制分析表明，新辅助治疗的疗效在免疫炎症通路方面表现更为突出。

结论

该多元模型能够有效预测接受新辅助治疗的局部晚期胃癌患者的术后生存风险，可作为优化预后评估的强大工具。