《Journal of Genetic Engineering and Biotechnology》：Integrated prognostic framework for survival status, Cancer stages and time estimation in hepatocellular carcinoma using machine learning approaches
编辑推荐：
当前医学在评估癌症生存状态、分期和持续时间方面的局限性，促使研究需要超越物理指标和传统诊断技术。提高患者治疗质量是医学界的持续目标。准确预测早期肝癌患者的生存状态、生存持续时间和分期，对于制定知情治疗和预后决策至关重要。本研究提出了一种创新的三阶段肝细胞癌预后
当前医学在评估癌症生存状态、分期和持续时间方面的局限性，促使研究需要超越物理指标和传统诊断技术。提高患者治疗质量是医学界的持续目标。准确预测早期肝癌患者的生存状态、生存持续时间和分期，对于制定知情治疗和预后决策至关重要。本研究提出了一种创新的三阶段肝细胞癌预后框架，以解决现有诊断方法的不足。该模型预测患者的生存状态（存活或死亡）以及在七个时间区间（0–6个月、7–12个月、13–24个月、25–36个月、37–48个月、49–60个月及超过5年）内的生存持续时间，并使用准确率（Accuracy）、精确率（Precision）、召回率（Recall）、AUC（Area Under the Curve）和F1分数（F1-score）等指标进行评估。后续部分评估癌症分期分类（I、UNK、II、IV、IIIA、IIIC、IIIB、IIINOS），采用类似指标。研究人员的实验结果表明，通过12种流行的基于机器学习模型，包括梯度提升（Gradient Boosting）、随机森林（Random Forest）、支持向量机（Support Vector Machine）、轻量梯度提升机（Light Gradient Boosting Machine）、极端梯度提升（Extreme Gradient Boosting）、AdaBoost、极端随机树（Extra Trees）、逻辑回归（Logistic Regression）、线性判别分析（Linear Discriminant Analysis）、决策树（Decision Tree）、K近邻（K-Nearest Neighbors）和朴素贝叶斯（Naive Bayes）分类器，预后准确性得到提升。使用SEER（Surveillance, Epidemiology, and End Results）数据库的一个子集可能产生不同结果；但通过单变量特征识别和相关分析，模型构建高效。轻量梯度提升机（LightGBM）在生存分析中表现出卓越效能，达到89.13%准确率、85.99% AUC、88.93%召回率、86.99%精确率和87.23% F1分数，优于其他数据驱动模型。梯度提升（Gradient Boosting）模型在癌症分期预测中表现更优，准确率97.97%、AUC 100%、召回率97.97%、精确率98%、F1分数97.95%。对于生存时间预测，逻辑回归（Logistic Regression）模型表现最佳，准确率97.07%、AUC 99.43%、召回率97.02%、精确率97.23%、F1分数95.77%。该框架整合了可解释的模型预测分析，以识别影响三阶段肝细胞癌矩阵中回归和分类结果的显著变量。因此，研究人员的研究为基于机器学习的癌症结局预测提供了一个更透明、更可靠的框架。据研究人员所知，本研究提出了一种统一的三阶段方法，整合了肝细胞癌生存状态、分期和时间分类与回归。
**论文解读文章**
**研究背景与问题**
肝细胞癌（Hepatocellular Carcinoma, HCC）是全球原发性肝癌中最常见的类型，约占所有病例的80%，且是2020年癌症相关死亡的第二大原因。传统上，HCC的预后评估依赖物理指标和常规诊断技术，如影像学及血清标志物，但这些方法在预测生存状态、癌症分期和生存持续时间方面存在显著局限性。由于HCC常于晚期才被诊断，导致5年生存率低于10%。准确预测早期患者的生存状态（存活或死亡）、精确分期以及估计生存时间，对于制定个体化治疗策略和改善预后至关重要。现有研究多聚焦于单一预测任务，且常受限于小样本量、类别不平衡及模型可解释性不足。因此，亟需一个统一的、基于大规模临床数据的机器学习框架，同时整合生存状态、分期和生存时间预测，以提升临床决策的可靠性。
**研究内容与结论**
研究人员利用美国国家癌症研究所（National Cancer Institute, NCI）管理的SEER（Surveillance, Epidemiology, and End Results）数据库，收集了2010年至2022年间140,703例肝细胞癌患者记录，经过数据预处理（删除缺失值、重复值及无关特征），最终保留61,564条有效记录，包含52个属性。研究构建了一个三阶段预后框架：第一阶段预测生存状态（二分类：存活/死亡）；第二阶段预测癌症分期（八类：I、UNK、II、IV、IIIA、IIIC、IIIB、IIINOS）；第三阶段预测生存时间（七类区间：0–6、7–12、13–24、25–36、37–48、49–60个月及超过5年）。研究人员系统评估了12种机器学习模型（包括梯度提升GBC、随机森林RF、支持向量机SVM、轻量梯度提升机LightGBM、极端梯度提升XGBoost、AdaBoost、极端随机树ET、逻辑回归LR、线性判别分析LDA、决策树DT、K近邻KNN和朴素贝叶斯NB），并采用特征选择（卡方检验、F检验、递归特征消除RFE）、类别不平衡处理（合成少数类过采样技术SMOTE）、超参数优化（RandomizedSearchCV和GridSearchCV）及10折交叉验证等策略。主要结论：LightGBM在生存状态预测中表现最佳（准确率89.13%，AUC 85.99%）；梯度提升分类器GBC在癌症分期预测中表现最优（准确率97.97%，AUC 100%）；逻辑回归LR在生存时间预测中效果最佳（准确率97.07%，AUC 99.43%）。该框架通过特征重要性分析（识别出肿瘤大小、淋巴结状态、手术方式等关键变量）增强了模型可解释性，性能显著优于现有文献中的模型。该研究发表在《Journal of Genetic Engineering and Biotechnology》。
**主要技术方法**
本研究使用了SEER数据库（覆盖美国18个地区约28%人口）作为样本队列来源。关键技术方法包括：①数据预处理：删除缺失值、重复值及无关特征，保留61,564条记录；②特征编码：对分类变量采用标签编码（Label Encoding）和独热编码（One-Hot Encoding）；③特征选择：采用卡方检验（Chi-square）、F检验（F-test）和递归特征消除（RFE）筛选显著特征；④类别不平衡处理：使用合成少数类过采样技术（SMOTE）平衡训练集各类别；⑤模型构建：部署12种机器学习模型（包括梯度提升、随机森林、支持向量机、逻辑回归、轻量梯度提升机、极端梯度提升、AdaBoost、极端随机树、线性判别分析、决策树、K近邻和朴素贝叶斯）；⑥超参数优化：使用RandomizedSearchCV和GridSearchCV进行调优；⑦模型验证：采用10折交叉验证（Stratified k-fold）及性能评估指标（准确率、AUC、召回率、精确率、F1分数）。
**研究结果**
**4.1 生存状态预测结果**
通过比较12种机器学习模型，优化后的轻量梯度提升机（LightGBM）在生存状态预测中表现最佳，准确率89.13%、AUC 85.99%、召回率88.93%、精确率86.99%、F1分数87.23%，10折交叉验证准确率89.29%。该模型通过叶节点式树生长策略有效捕捉了临床变量间的非线性交互，ROC曲线AUC达0.86，表明具备良好区分能力。
**4.2 癌症分期预测结果**
在八类癌症分期分类任务中，优化后的梯度提升分类器（GBC）表现最优，准确率97.97%、AUC 100%、召回率97.97%、精确率98.00%、F1分数97.95%，10折交叉验证准确率97.99%。其顺序集成学习策略逐步修正残差，精准区分紧密相关的分期类别，微平均和宏平均AUC均达100%，且无过拟合迹象。
**4.3 生存时间估计结果**
对于七类生存时间区间分类，优化后的逻辑回归（LR）模型表现最佳，准确率97.07%、AUC 99.43%、召回率97.02%、精确率97.23%、F1分数95.77%，10折交叉验证准确率98.29%。通过预处理和特征工程构建的稳定决策边界，使LR模型在生存时间预测中泛化能力最强，ROC分析显示AUC达0.9943。
**4.4 选定特征结果**
采用卡方检验、F检验和递归特征消除三种特征选择方法，识别出20个关键特征，包括肿瘤大小、CS肿瘤大小、淋巴结状态、手术方式、年龄和组织学类型等。模型使用这些特征子集后性能与全特征集相当，表明这些特征保留了大部分预后信息且减少了冗余，且与临床相关性一致。
**4.5 与现有工作比较**
与已发表文献（如Mia et al., Ghazanfar et al., Mammadova et al.等）对比，本研究的LightGBM模型在生存状态预测上准确率89.13%优于所有对比模型；GBC模型在癌症分期上准确率97.97%优于Zang et al.、Wu et al.和Zhou et al.；LR模型在生存时间上准确率97.07%优于Zhu et al.、Ha et al.和Sun et al.，充分验证了框架的优越性能。
**讨论与结论**
讨论部分指出，HCC预后受多种临床因素交互影响，单一模型难以在所有任务中通用。本研究建立了一个系统性的机器学习管道，以统一的预处理、特征工程、特征选择、模型优化和验证策略评估三个预后结局。结果显示，LightGBM在生存状态预测中最佳，GBC在分期分类中最佳，而LR在生存时间预测中最佳，说明应根据预测任务特性选择算法。数据预处理、特征工程、SMOTE不平衡处理及超参数优化显著提升了模型性能。特征影响分析（卡方检验、F检验、RFE）一致识别出肿瘤大小、淋巴结状态、手术、年龄、组织学等关键预后变量，增强了框架可解释性，且这些变量与既往研究一致。结论部分翻译如下：本研究在肝细胞癌（HCC）预测领域取得了显著进展，通过开发基于机器学习的详细预测方法。利用SEER数据库，研究人员创建了优化模型，在三个关键预后维度中表现出卓越性能：预测生存状态（准确率89.13%，AUC 86%）、分类癌症分期（准确率98.0%，AUC 100%）和估计生存时间（准确率97.07%，AUC 99.43%）。系统比较显示，这些结果优于现有预后方法。方法学进展包括：全面的特征编码与选择（卡方检验、F检验、递归特征消除及SMOTE）产生高区分度且可解释的特征集；精细超参数优化的机器学习方法（LightGBM、GBC、LR）获得稳健AUC值；特征重要性分析揭示了肿瘤大小、转移状态和AFP水平为主要预后变量，为HCC机制研究提供了新方向。10折交叉验证确保了结论的可靠性。总之，本研究弥合了前沿机器学习方法与临床肿瘤学实践之间的差距，开发了一个结合卓越预测准确性与临床可解释性的循证工具。未来工作需采用生存分析方法处理删失和时间事件特征，并使用独立队列和多中心临床数据集进行外部验证。
