《Translational Oncology》：Development and validation of an integrated machine learning model for recurrence-free survival prediction in clear cell renal cell carcinoma
编辑推荐：
背景：集成多模态系统可改善手术切除透明细胞肾细胞癌(clear cell renal cell carcinoma, ccRCC)后的无复发生存(recurrence-free survival, RFS)预测，以克服传统模型的局限性。方法：研究人员共纳入12
背景：集成多模态系统可改善手术切除透明细胞肾细胞癌(clear cell renal cell carcinoma, ccRCC)后的无复发生存(recurrence-free survival, RFS)预测，以克服传统模型的局限性。方法：研究人员共纳入1284例患者，分为训练集(n = 738)、内部验证集(n = 317)和外部测试集(n = 229)。研究人员基于机器学习(machine learning, ML)的模型结合了临床数据、影像组学特征(radiomics signature, Rad-sign)和深度学习特征(deep learning signature, DL-sign)，以预测术后3年、5年和7年的复发情况。研究人员使用ML从计算机断层扫描(computed tomography, CT)图像中提取影像组学特征，其中Rad-sign表现出最佳性能。研究人员用于体积特征提取的三维视觉变换器(three-dimensional vision transformer, 3D-ViT)优于ResNet模型。结果：Cox回归确定了与RFS相关的临床特征(p < 0.05)。研究人员通过5折交叉验证从8种ML算法中选择了最优的临床-DL列线图。临床特征单独的预测能力有限（外部测试曲线下面积(area under the curve, AUC)：0.576，95%置信区间(confidence interval, CI)：0.472–0.672），而由朴素贝叶斯(Naive Bayes, NB)建模的影像组学表现较好（AUC：0.728）。Rad-sign的C-index为0.729，3D-ViT模型在外部测试中达到AUC为0.846。该列线图预测术后3年、5年和7年RFS的AUC分别为0.920、0.935和0.938，C-index分别为0.890和0.910。该模型有效进行了风险分层，通过校准曲线和决策曲线分析(decision curve analysis, DCA)优于加州大学洛杉矶分校整合分期系统(UCLA Integrated Staging System, UISS)和分期、大小、分级和坏死(Stage, Size, Grade, and Necrosis, SSIGN)评分。结论：基于ML的临床-DL模型在ccRCC的RFS准确预测方面显示出前景，可能有助于个性化风险评估和决策制定。
该研究围绕透明细胞肾细胞癌（clear cell renal cell carcinoma, ccRCC）术后复发风险预测的精度不足问题展开。目前传统的预后模型如加州大学洛杉矶分校整合分期系统（UCLA Integrated Staging System, UISS）和分期、大小、分级和坏死（Stage, Size, Grade, and Necrosis, SSIGN）评分主要依赖临床病理特征，其预测准确性存在局限，C-index约为0.82，难以捕捉驱动复发风险的肿瘤生物学异质性。为优化术后监测策略与辅助治疗选择，研究人员开展了一项多中心回顾性研究，开发并验证了一种集成机器学习（machine learning, ML）框架，结合临床数据、影像组学特征（radiomics signature, Rad-sign）与深度学习特征（deep learning signature, DL-sign）来预测无复发生存（recurrence-free survival, RFS）。研究结果显示，集成临床特征与三维视觉变换器（three-dimensional vision transformer, 3D-ViT）衍生的DL-sign的模型在独立外部测试集中C-index达0.820，3年、5年、7年曲线下面积（area under the curve, AUC）分别达0.945、0.952、0.920，显著优于传统UISS与SSIGN系统。该模型为ccRCC个体化术后风险评估提供了高精度工具，对精准医疗决策具有重要意义。本文发表于《Translational Oncology》。
研究人员主要从5家医院回顾性纳入1284例经病理确诊的ccRCC患者，按4家中心1055例随机分为训练集738例与内部验证集317例，另1家中心229例作为独立外部测试集。关键技术包括：手动勾画肿瘤感兴趣区（region of interest, ROI）并采用ComBat算法消除多中心批次效应；利用Pyradiomics提取高维手工影像组学（hand-crafted radiomics, HCR）特征并经LASSO筛选构建Rad-sign；构建3D-ViT架构提取体积特征生成DL-sign并与ResNet系列对比；通过14种ML算法评估单模态性能；最终整合独立临床预后因子与DL-sign建立Cox比例风险回归列线图，采用时间依赖性ROC、校准曲线与决策曲线分析（decision curve analysis, DCA）综合评估。
Patient characteristics
研究人员最终纳入1284例ccRCC患者，训练集738例，验证集317例，外部测试集229例。中位随访39.2个月，3年、5年、7年复发风险例数分别为120、77、43例。基线特征涵盖年龄、性别、肿瘤大小、核分级、TNM分期及实验室参数等。
Clinical feature analysis
研究人员通过单变量与多变量Cox回归分析筛选出与RFS显著相关的独立临床因素，包括年龄（HR: 1.014, p = 0.006）、病理肿瘤大小（HR: 1.147, p < 0.001）、核分级（HR: 1.313, p = 0.001）、神经浸润（HR: 3.343, p = 0.012）及T分期（HR: 1.253, p < 0.001）。仅基于临床特征的ML模型外部测试AUC仅为0.576，校准与DCA显示其临床效用有限，证实单一临床模态预测能力不足。
Radiomics feature analysis and model performance
研究人员初始提取1637个影像组学特征，经t检验、Pearson相关与LASSO回归（α=0.018）筛选出31个非零系数特征，以纹理特征为主。对比8种ML算法，朴素贝叶斯（Naive Bayes, NB）泛化最优，外部测试AUC为0.728，但各模型在校准曲线中均存在概率偏差且Rad-sign整体C-index偏低（外部测试0.320），故未进入最终集成模型。
DL model comparison and performance
研究人员比较3D-ViT与ResNet-18、ResNet-50、ResNet-101的性能，3D-ViT在训练、验证及外部测试集AUC分别为0.866、0.852、0.846，无明显过拟合，优于ResNet系列（外部测试最高0.727）。SHAP（Shapley Additive exPlanations）可解释性分析显示3D-ViT能聚焦肿瘤关键区域，高风险病例DL-sign达0.871并在28.4个月复发，低风险病例为0.140且104.8个月无复发。
Integrated nomogram performance
研究人员构建整合年龄、肿瘤大小、核分级、神经浸润、T分期及3D-ViT DL-sign的Cox列线图，训练、验证、外部测试C-index分别为0.891、0.893、0.820。时间依赖性ROC显示外部测试3年、5年、7年AUC为0.945、0.952、0.920。Kaplan-Meier分析可将患者显著分为高、中、低风险组（均p < 0.001），性能超越单一DL-sign、Rad-sign及UISS、SSIGN系统。
讨论部分总结指出，临床特征单独预测受限因其无法反映肿瘤生物学异质性；影像组学虽具理论价值但受高维特征与样本量限制易过拟合，Rad-sign未提供增量预后价值；3D-ViT凭借自注意力机制捕获全局依赖，泛化优于CNN架构；临床与DL多模态互补显著提升判别力，C-index较UISS提升0.164、较SSIGN提升0.137。研究局限在于全为中国多中心回顾性数据、未整合分子基因组信息、3D-ViT计算资源需求高及未前瞻性验证等，未来需国际队列、分子融合与前瞻实施研究。
结论部分翻译：这项多中心研究验证了结合临床特征与3D-ViT衍生的DL特征的集成ML框架，能够对ccRCC手术切除患者RFS进行准确且稳健的预测。在独立外部测试队列中，所提集成模型 yielding C-index为0.820，并在纵向随访中保持稳定且强大的判别性能，3年、5年、7年AUC值分别为0.945、0.952、0.920。值得注意的是，该模型显著优于包括UISS（C-index=0.729）与SSIGN（C-index=0.773）在内的常规预后评分系统。通过对多种特征模态下14种ML算法的系统评估，证实算法选择是模型泛化性能的关键决定因素。具体而言，NB算法在影像组学特征分析中取得最优预测效能，3D-ViT架构在ccRCC基于DL的风险分层中表现优于传统卷积神经网络。综上，这些发现凸显了多模态ML策略在ccRCC个体化术后风险评估中的临床可行性与价值。该新颖框架在优化监测强度方案及促进精准辅助治疗决策方面具备良好临床前景。进一步的前瞻性验证与国际多中心队列研究对于验证该模型在不同临床实践环境中的泛化性与临床转化价值至关重要。
