《The Aging Male》：Interpretable machine learning for individualized survival prediction in node-positive, non-metastatic prostate cancer: a population-based study
编辑推荐：
背景：伴有区域淋巴结受累但无远处转移（N1M0）的前列腺癌预后异质性显著。本研究旨在开发并验证一种可解释机器学习模型以预测癌症特异性生存（CSS）。方法：来自SEER数据库的18,287例N1M0患者（2000–2022年）被划分为训练集（n=4780）、内部
背景：伴有区域淋巴结受累但无远处转移（N1M0）的前列腺癌预后异质性显著。本研究旨在开发并验证一种可解释机器学习模型以预测癌症特异性生存（CSS）。方法：来自SEER数据库的18,287例N1M0患者（2000–2022年）被划分为训练集（n=4780）、内部测试集（n=1193）及两个时间验证队列（n=3149；n=9165）。采用C指数、时间依赖性AUC及综合Brier评分（IBS）比较Cox比例风险模型与四种机器学习模型。SHAP用于可解释性分析，逆概率加权（IPTW）用于敏感性分析。结果：随机生存森林（RSF）优于所有模型，取得最高C指数（内部0.697；时间验证0.740）。RSF分层的风险组生存差异显著（P<0.001）。SHAP揭示根治性前列腺切除术为最强保护因素，其次为较低T分期与PSA。IPTW确认积极局部控制的生存获益。CSS在判别准确度上优于总生存（OS）。结论：RSF模型为N1M0前列腺癌提供准确、稳健且可解释的预后评估。部署为基于网络的计算器后，可实现精确风险分层与个体化治疗规划。
研究背景与立项依据
淋巴结阳性但非转移性（N1M0）前列腺癌在临床预后上呈现显著异质性，传统依赖T分期、Gleason评分与前列腺特异抗原（PSA）的评估体系难以满足精准肿瘤学对多维度风险量化的需求。Cox比例风险（CoxPH）模型受限于线性与比例风险假设，无法捕捉非线性交互作用。同时，机器学习生存模型普遍存在“黑箱”问题，缺乏临床可解释性。为此，研究人员基于美国国立癌症研究所监测、流行病学与最终结果（SEER）数据库，开展了一项大样本、基于人群的前瞻性回顾研究，旨在构建并时间验证一种兼顾高判别力与可解释性的随机生存森林（RSF）模型，并以SHAP解析特征贡献，最终转化为在线计算器辅助临床决策。该文发表于《The Aging Male》。
主要技术方法概述
研究人员提取SEER数据库2000–2022年确诊的18,287例N1M0前列腺癌患者，按8:2分层随机抽样划分训练集（n=4780）与内部测试集（n=1193），并以2013–2017年（n=3149）、2018–2022年（n=9165）作为两个独立时间外部验证队列。变量涵盖人口学、临床病理及治疗信息，缺失值以多重插补处理，PSA取对数变换。终点定义为癌症特异性生存（CSS），非癌死亡作为竞争事件删失。研究人员构建CoxPH、梯度提升生存分析（GBSA）、RSF、额外生存树（EST）及DeepSurv五类模型，以网格搜索与5折交叉验证调参；性能评价采用C指数、时间依赖性AUC（iAUC）、IBS及Bootstrap（500次）置信区间；风险分层以训练集中位风险评分50.59为截点；可解释性借助SHAP（0.41.0）全局重要性条图与蜂群图；治疗偏倚以倾向评分逆概率加权（IPTW）与Fine–Gray子分布风险模型校正；临床效用以决策曲线分析（DCA）评估。
研究结果
3.1 研究队列与基线特征
四个队列中位随访26–114个月，年龄均衡（均值64–67岁），T3为主（51.2%–58.9%），近期队列高级别Gleason比例升高，RP与放疗覆盖率分别为54.6%–62.4%与33.1%–48.6%，化疗极少（2.9%–4.3%）。CSS死亡率在训练/测试集约33%–34%，时间验证队列1为21.4%，队列2为4.2%。
3.2 多变量竞争风险模型分析
原因别Cox与Fine–Gray模型一致显示：高龄（HR≈1.02）、T3/T4（HR=1.30–1.98）、高危Gleason（HR=1.29–1.47）、高PSA（HR≈1.17）及化疗（HR=1.83–2.02）增加癌特异死亡风险；根治性前列腺切除术（HR=0.38–0.45）与放疗（HR=0.64–0.71）为保护因素。非癌死亡中高龄最强（HR≈1.08），未婚在CS-Cox中显著（HR=1.59），手术亦降非癌死亡（HR=0.64–0.70）。
3.3 模型性能综合评价与比较
测试集RSF的C指数0.697、iAUC 0.742居首，GBSA相近（0.693）；时间验证队列1 RSF达C指数0.740、iAUC 0.806。Brier曲线显示RSF与GBSA校准误差最低（IBS=0.088）。配对Bootstrap检验表明树基模型与DeepSurv在时间验证中显著优于CoxPH（Δ=+0.014~+0.015，校正P<0.005），先进模型间无显著差异。
3.4 风险分层与模型可解释性
以50.59分层，KM曲线显示高低危组CSS轨迹极显著分离（Log-rank P<0.001），84个月时低危组存活率维持高位而高危组降至约0.45。DCA在36/60/84月、阈值5%–35%区间净获益优于“全治/不治”。SHAP全局重要性：手术_RP（Mean|SHAP|≈20.08）远超T分期（5.61）、log(PSA+1)（4.78）、放疗（4.43）、Gleason（4.12）、年龄（2.78）；蜂群图确认手术与放疗SHAP值为负向（保护），T/PSA/Gleason/年龄为正向（风险）；化疗正向贡献反映其作为挽救治疗的选样偏倚而非因果危害。
3.5 敏感性分析
倾向评分AUC：手术0.878（选样偏倚强）、放疗0.577（较平衡）、化疗0.669（低概率集中）。IPTW校正后与Naive Cox一致：手术HR=0.48、放疗HR=0.82、化疗HR=1.84；PS五分位分层中手术在各层均降风险（HR 0.32–0.56），化疗各层HR 1.76–2.59。以OS重训RSF，测试集C指数0.671低于CSS的0.697（Δ=0.026，P=0.004），时间验证1中CSS 0.740仍高于OS 0.727。
3.6 网络计算器开发
研究人员将RSF部署为Streamlit在线工具（
https://prostate-cancer-rsf-ewfbnbvfvxgegjzesu4ixr.streamlit.app/ ），输入9项变量输出个体风险评分、分层（截点50.59）及CSS曲线；示例中65岁T2、中危Gleason、PSA=10 ng/mL未治疗者评分为70.9（高危），3年CSS预测90.0%。
讨论部分总结
研究人员指出，N1M0前列腺癌生存异质性强，RSF以非线性和高阶交互捕捉能力超越CoxPH与同级机器学习，时间验证C指数达0.740。SHAP破解黑箱：根治性前列腺切除术为最强保护驱动，T分期与PSA次之，提示淋巴结转移后局部控制强度与原发瘤负荷主导癌特异生存；化疗的正向SHAP与高HR经IPTW证实为挽救治疗选样偏倚。未婚状态独立预示较差生存，反映社会支持缺失而非肿瘤生物学。以CSS为主终点并纳入竞争风险框架，过滤非癌死亡噪声，判别力优于OS。局限包括SEER缺放射剂量/化疗方案等时变细节、族裔偏白人、未整合BRCA/PTEN等多组学标志。
结论部分翻译
综上，本研究成功构建并时间验证了用于N1M0前列腺癌癌症特异性生存预测的可解释随机生存森林（RSF）机器学习模型。该模型在优于传统统计方法的同时，展现出稳健的时间外推性，并借由SHAP提供透明临床洞见，回应了此类异质人群精准风险分层的迫切需求。算法以交互式网络计算器形式部署，将复杂计算结论转化为实用临床工具，助力医师制定个体化、证据驱动的多模式治疗与随访策略。未来研究应优先开展多中心外部验证，并融合高分辨分子与多组学数据，以进一步提升该预测框架在精准肿瘤学时代的准确度与效用。
