《Frontiers in Pharmacology》：Prediction of early treatment response to drug-eluting beads chemoembolization for hepatocellular carcinoma using machine learning
编辑推荐：
背景：药物洗脱微球经动脉化疗栓塞（DEB-TACE）已广泛用作肝细胞癌（HCC）的局部区域治疗。本研究采用机器学习算法预测接受DEB-TACE的HCC患者早期治疗应答。方法：研究人员收集了本机构两个时段（2023年7月至2024年11月、2025年1月至9月）
背景：药物洗脱微球经动脉化疗栓塞（DEB-TACE）已广泛用作肝细胞癌（HCC）的局部区域治疗。本研究采用机器学习算法预测接受DEB-TACE的HCC患者早期治疗应答。方法：研究人员收集了本机构两个时段（2023年7月至2024年11月、2025年1月至9月）接受蒽环类载药DEB-TACE的HCC患者数据，于治疗后1、3、6个月依据动态增强CT按改良实体瘤疗效评价标准（mRECIST）评估应答，进行单因素与多因素logistic回归，以独立预测因子构建预测模型，并在内部验证集与时序验证队列中以AUC、准确率、灵敏度、特异度等指标评价多机器学习模型。结果：共纳入299例（内部196例，时序验证103例），内部队列M1/M3/M6客观缓解率（ORR）分别为56.1%、51.2%、45.9%，时序队列为57.3%、52.4%、49.5%；年龄、BCLC分期、肿瘤分布、最大肿瘤直径等为各时点独立预测因子；logistic回归（LR）各时点AUC最高，内部验证集为0.830/0.840/0.854，时序队列为0.817/0.832/0.839；亚组分析显示LR模型在所选治疗相关亚组中性能基本一致。结论：在DEB-TACE治疗HCC中，机器学习模型对早期治疗应答预测表现良好，支持未来个体化治疗策略发展。
研究背景与动机
肝细胞癌（HCC）是全球重大公共卫生负担，中国年新发约41万例，占全球45.3%。经动脉化疗栓塞（TACE）是中晚期HCC标准疗法，但传统TACE存在给药不均、全身毒性及疗效异质性。药物洗脱微球TACE（DEB-TACE）以EqualSpheres?微球载吡柔比星（THP）或表柔比星（EPI）实现缓释，旨在提升局部疗效并降低毒性。然而DEB-TACE后1、3、6个月客观缓解率（ORR）存在显著时点与人群异质性，且传统统计模型难以刻画非线性与高维关系。人工智能尤其是机器学习（ML）可整合临床、实验室、常规影像多维特征，为早期应答预测提供新工具。该研究由郑州大学第一附属医院团队完成，发表于《Frontiers in Pharmacology》，旨在识别DEB-TACE后M1/M3/M6早期ORR相关因素并构建ML预测模型，经时序验证支持个性化诊疗。
主要技术方法
研究为单中心观察性设计，伦理批件2022-KY-1519-002，遵循STROBE与赫尔辛基宣言。内部队列回顾性收集2023年7月–2024年11月，时序验证队列前瞻性收集2025年1月–9月，均接受蒽环类载药DEB-TACE（THP或EPI，剂量20–60 mg，微球直径100–500 μm）。结局按mRECIST定义CR/PR为ORR。内部队列按7:3分训练/内部验证，所有特征选择、Z-score归一化、独热编码、网格搜索五折交叉验证超参调优仅于训练集拟合，再应用于内部验证集与时序队列（n=103）。对比随机森林（RF）、支持向量机（SVM）、XGBoost与logistic回归（LR），以AUC、准确率、灵敏度、特异度、PPV、NPV、F1、Brier评分、校准截距/斜率及DeLong检验评价，并以SHAP解释LR模型，亚组分析按载药种类与单次/多次手术分层。
研究结果
参与者特征：内部队列初筛604例，排除后入组196例（应答110/非应答86）；时序队列初筛281例，入组103例（应答59/非应答44）。应答组更年轻、单发比例高、最大肿瘤直径小、ECOG PS优、Child–Pugh A多、AFP<20 ng/mL比例高、更多使用EPI。
早期治疗应答：内部队列M1/M3/M6 ORR为56.1%/51.2%/45.9%（M3随访166例、M6随访133例），时序队列三者均为57.3%/52.4%/49.5%，呈随时间下降趋势。
独立危险因素：多因素logistic回归示M1独立预测因子为年龄（OR 0.94）、肿瘤分布（OR 0.28）、腹水（OR 0.31）、血小板（OR 0.99）、球蛋白（OR 1.11）；M3为高血压（OR 1.03）、ECOG PS（OR 0.72）、最大肿瘤直径（OR 0.76）、血小板（OR 1.01）；M6为血小板（OR 1.01）、BCLC分期（OR 2.54）、最大肿瘤直径（OR 0.60）、载药种类（OR 2.75）、ECOG PS（OR 0.11），提示肿瘤负荷与体能状态随时间权重上升。
机器学习模型比较：LR在内部验证集M1/M3/M6 AUC 0.830/0.840/0.854，时序队列0.817/0.832/0.839，均高于RF/SVM/XGBoost；LR校准Brier 0.149–0.173（内部）与0.168–0.179（时序），DeLong示M1/M6与部分模型差异显著，M3无显著差异。
SHAP分析：M1最重要特征为球蛋白、年龄、血小板、肿瘤分布、腹水；M3为最大肿瘤直径、ECOG PS、血小板、高血压；M6为最大肿瘤直径、ECOG PS、血小板、BCLC、载药种类，与回归系数方向一致。
亚组分析：时序队列中THP与EPI组、单次与多次手术组在各时点AUC相近，模型判别力跨治疗亚组稳定（小样本需谨慎）。
讨论与结论翻译
讨论指出ORR随随访下降或与肿瘤复发、负荷进展及载药动力学差异有关；独立因子随时点演变反映生理与肿瘤生物学动态性；LR虽为线性模型，但在常规变量下判别优于复杂非线性模型，契合可解释性需求；局限含单中心、样本偏小、常规影像仅取肿瘤分布与最大径、缺放射组学与长期生存终点。
结论翻译：在DEB-TACE治疗肝细胞癌中，机器学习模型通过利用多随访时点的动态临床与肿瘤相关变量展现出良好的早期治疗应答预测性能，并在前瞻性时序验证队列中获评价，该发现支持此类模型在个性化治疗规划与临床决策中的潜在效用。
