《International Journal of Women's Health》：Interpretable Machine Learning Models for Overall Survival Prediction in Stage I-II Endometrial Cancer Patients Receiving Postoperative Adjuvant Chemotherapy: A SEER-Based Study
编辑推荐：
目的 接受术后辅助化疗的I-II期子宫内膜癌患者临床异质性高，仅凭分期不足以进行个体化预后评估。研究人员开发并内部验证了可解释的生存模型，以预测该人群的总生存期（OS）。患者与方法 从SEER（监测、流行病学和最终结果）数据库中识别2010年至2021年诊断的
目的 接受术后辅助化疗的I-II期子宫内膜癌患者临床异质性高，仅凭分期不足以进行个体化预后评估。研究人员开发并内部验证了可解释的生存模型，以预测该人群的总生存期（OS）。患者与方法 从SEER（监测、流行病学和最终结果）数据库中识别2010年至2021年诊断的原发性子宫内膜癌女性患者。符合条件的患者年龄≥18岁，患有I-II期疾病，接受了手术，并接受了术后全身治疗/化疗。患者按7:3比例随机分配到训练集和内部验证集，并根据事件状态和分期进行分层。使用预设的临床病理变量开发了Cox、LASSO-Cox、随机生存森林（RSF）、梯度提升机（GBM）和XGBoost生存模型。使用Harrell's C-index、时间依赖性AUC（曲线下面积）、逆概率删失加权（IPCW）Brier评分、校准曲线、决策曲线分析（DCA）和风险分层评估模型性能。结果 共纳入9,118例患者，训练集6,382例，验证集2,736例。中位随访时间为87.0个月。在验证集中，GBM表现出最高但中等的区分度，C-index为0.6745，1年、3年和5年的AUC分别为0.7216、0.7197和0.6896。Cox和LASSO-Cox表现出相当的区分度和更好的校准。重要预测因素包括年龄、肿瘤大小、组织学亚型、分期、放疗、淋巴结手术范围、种族、检查的区域淋巴结数量和诊断至治疗时间。基于GBM的风险分层将总生存期结果不同的患者区分开来。结论 研究人员为这一临床异质性人群开发并内部验证了可解释的生存模型。GBM支持风险分层，而Cox在现有临床病理框架内提供了校准的基于模型的生存估计。应考虑中等预测性能和缺乏外部验证，未来研究应纳入额外的病理和分子预测因素。
**论文解读文章**
**研究背景**
子宫内膜癌（endometrial cancer, EC）是女性生殖系统常见的恶性肿瘤，早期（I-II期）患者通常预后较好。然而，接受术后辅助化疗的I-II期EC患者构成一个临床异质性极高的亚组。这些患者常因存在高风险特征（如非子宫内膜样组织学、高级别、深肌层浸润、淋巴血管间隙浸润（lymphovascular space invasion, LVSI）或高龄）而接受化疗，但即使在同一分期内，其总生存期（overall survival, OS）也存在显著差异。传统的预后评估主要依赖TNM/FIGO分期、组织学亚型、分级等单一临床病理变量，但Cox比例风险模型可能无法充分捕捉变量间的非线性交互作用，且部分变量可能违反比例风险假设。近年来，分子分型（如POLE突变、错配修复缺陷（MMRd）、p53异常等）已被纳入风险分层框架，但临床实践中仍缺乏针对该特定高风险亚组的可解释性预测模型。因此，需要利用大规模真实世界数据，开发并比较多种可解释机器学习模型，以提高个体化预后评估的准确性。
**研究内容与结论**
研究人员利用美国SEER（监测、流行病学和最终结果）数据库2010-2021年间诊断的9,118例接受术后辅助化疗的I-II期EC患者数据，开发并内部验证了五种生存预测模型：Cox比例风险模型、LASSO-Cox模型、随机生存森林（random survival forest, RSF）、梯度提升机（gradient boosting machine, GBM）和XGBoost模型。主要发现如下：
- GBM在验证集中达到最高的区分度，C-index为0.6745，1年、3年、5年时间依赖性AUC分别为0.7216、0.7197和0.6896，但性能仍属中等。
- Cox和LASSO-Cox模型区分度与GBM相当，但校准性能更优，其Brier评分更低，校准曲线更接近理想线，更适合提供基于模型的生存概率估计。
- 变量重要性分析（包括GBM内置相对影响和置换重要性）一致显示，年龄是最重要的预测因素，其次是肿瘤大小、组织学亚型、分期、放疗、淋巴结手术范围、种族、检查的区域淋巴结数量及诊断至治疗时间。
- 基于GBM线性预测因子中位值划分的高低风险组，在训练集、内部验证集及2018-2021年诊断亚组中均显示出显著的总生存期差异，绝对生存率差异在5年时达18.6个百分点。
- Cox列线图作为可视化工具，在训练集和验证集中均表现出良好的校准性，适合临床使用。
**重要意义**
该研究为临床异质性高的I-II期EC术后辅助化疗人群提供了可解释的风险分层框架，填补了该特定亚组多模型比较的空白。研究强调，在传统临床病理变量基础上，不同模型在区分度、校准性和可解释性方面具有互补价值，而非机器学习模型绝对优于传统回归。这有助于临床医生在术后预后评估和随访管理中更精准地识别高风险患者，并为进一步整合分子标志物提供了基线参考。论文发表在《International Journal of Women's Health》。
**主要关键技术方法**
数据来源于SEER 17个登记处，纳入2010-2021年诊断的I-II期原发性EC女性患者，年龄≥18岁，接受手术及术后全身治疗/化疗（定义为SEER记录中化疗变量为“是”且治疗顺序为术后）。最终共9,118例，按7:3随机分为训练集（6,382例）和内部验证集（2,736例），分层依据为事件状态和分期。采用预设的临床病理变量（年龄、种族、婚姻状况、组织学亚型、分级、FIGO分期、肿瘤大小组、检查的淋巴结数量、阳性淋巴结数量、淋巴结手术范围、放疗、诊断至治疗时间），开发了Cox、LASSO-Cox、RSF、GBM和XGBoost生存模型。模型性能评估使用Harrell's C-index、时间依赖性AUC、IPCW Brier评分、校准曲线、决策曲线分析（DCA）及风险分层。缺失数据处理采用显式“未知”类别。
**研究结果**
**Patient Selection and Baseline Characteristics（患者选择与基线特征）**
通过Kaplan-Meier曲线和Log-rank检验，研究人员发现，在训练集中，II期患者OS显著差于I期患者（P<0.001）；组织学亚型中，癌肉瘤预后最差，子宫内膜样癌预后最好；OS随年龄增长、分级升高、肿瘤增大及未接受放疗而恶化。
**Cox Regression Analysis（Cox回归分析）**
多因素Cox回归显示，年龄（每增加1岁HR=1.04）、黑人种族（vs白人HR=1.32）、癌肉瘤（vs子宫内膜样癌HR=1.50）、III/IV级（vs I级HR=1.43）、II期（vs I期HR=1.53）、肿瘤≥50mm（vs<20mm HR=1.87）、检查淋巴结数为0（vs≥10 HR=1.69）及未接受放疗（HR=0.73）是OS的独立预测因素。Schoenfeld残差检验提示年龄、组织学亚型、肿瘤大小、放疗等变量不完全满足比例风险假设。
**Machine Learning Model Performance（机器学习模型性能）**
在验证集中，GBM的C-index最高（0.6745），但与其他模型差距有限；Cox和LASSO-Cox的C-index分别为0.6711和0.6731。RSF在训练集C-index最高（0.8101），但验证集降至0.6545，存在过拟合趋势。XGBoost训练-验证差距也较大。
**Calibration and Brier Score（校准与Brier评分）**
Cox和LASSO-Cox在验证集中1、3、5年的Brier评分最低，均值均为0.1009，校准曲线接近理想线。GBM的Brier评分较高（均值0.1131），且在中长期预测中倾向于高估风险。RSF的Brier评分极高（0.8637），表明其概率转换效果差。
**Decision Curve Analysis（决策曲线分析）**
在验证集12、36、60个月的决策曲线分析中，Cox、LASSO-Cox和GBM的净获益模式总体相近，尤其在低至中等阈值概率范围内，无单一模型在所有时间点显示一致优势。
**Model Interpretation（模型解释）**
GBM模型内置变量重要性排名前五为：年龄（33.57）、肿瘤大小组（12.41）、组织学亚型（12.36）、分期（8.14）、放疗（7.04）。置换重要性分析结果类似。部分依赖图显示，年龄增加与风险非线性升高相关，肿瘤≥50mm、癌肉瘤、II期、未放疗均与较高风险相关。
**Risk Stratification（风险分层）**
以训练集GBM线性预测因子中位值（-3.6001）为界，将患者分为高、低风险组。在训练集、验证集及2018-2021年诊断亚组中，Kaplan-Meier曲线均显示显著分离（P<0.0001）。验证集中，低风险组5年OS率为86.5%，高风险组为67.9%，绝对差异18.6个百分点。
**Nomogram（列线图）**
基于Cox模型独立预测因素构建的列线图，可预测1、3、5年OS概率。36个月校准曲线显示训练集预测与观测一致性好，验证集分组校准也可接受。36个月决策曲线分析显示列线图在临床相关阈值概率范围内提供正净获益。
**Sensitivity Analyses（敏感性分析）**
Cox模型在不同队列定义（严格/扩展）、特征集限制及时序训练/测试（2010-2017训练，2018-2021测试）中C-index稳定在0.6580-0.6845之间，GBM线性预测因子在2018-2021亚组C-index为0.7014。
**总结讨论与结论**
讨论部分指出，本研究基于SEER数据库9118例I-II期EC术后辅助化疗患者，开发并内部验证了五种生存模型。GBM区分度中等但优于其他模型，Cox校准更佳。年龄、肿瘤大小、组织学亚型、分期、放疗等是核心预测因素。然而，SEER缺乏LVSI、肌层浸润深度、宫颈间质受累、分子分型（POLE突变、MMRd、p53异常、NSMP）等重要病理和分子变量，这可能导致中等区分度和部分残差混杂。另外，年龄对OS的影响可能部分反映合并症、功能状态等未测量因素。研究还指出，模型未进行外部验证，超参数优化有限，且“术后辅助化疗”定义依赖SEER编码，缺乏具体方案信息。因此，结果应谨慎解读，未来需在独立多中心队列中结合额外病理和分子预测因素进行前瞻性验证。
**研究结论翻译**：在这项基于SEER的研究中，研究人员为接受术后辅助化疗的I-II期子宫内膜癌患者开发并内部验证了生存预测模型。GBM表现出中等的区分性能，并有效将患者分为不同的预后风险组，而Cox模型展现出更好的校准和临床可解释性，支持在SEER现有临床病理框架内进行基于列线图的生存估计。这些发现可能为这一临床异质性高的高风险亚组提供可解释的风险分层框架，并有助于指导术后预后评估和随访管理。然而，在缺乏外部验证和重要预后变量（包括LVSI和分子分类）的情况下解读结果，这些变量可能影响模型性能。在临床实施前，需要纳入额外病理和分子预测因素的外部验证和前瞻性研究。
