《Frontiers in Oncology》：Construction and evaluation of machine learning models for postoperative prognosis prediction of biliary tract malignancies
编辑推荐：
目的： 本研究旨在基于多个风险因素构建一种新的机器学习模型，以预测胆道恶性肿瘤患者术后的预后。
材料与方法： 本研究纳入了2004年至2015年间SEER数据库中的6,951例患者，以及2015年至2022年间某医学中心的245例患者。研究人员将SEER数据库
目的： 本研究旨在基于多个风险因素构建一种新的机器学习模型，以预测胆道恶性肿瘤患者术后的预后。
材料与方法： 本研究纳入了2004年至2015年间SEER数据库中的6,951例患者，以及2015年至2022年间某医学中心的245例患者。研究人员将SEER数据库中的患者按7:3的比例分为训练集和测试集，并将该研究中心的患者数据作为外部验证集。临床结局指标为总生存期（overall survival, OS）。研究人员在训练集中采用单变量和多变量Cox回归分析筛选独立的预后因素。随后，研究人员构建了多种机器学习模型，用以预测患者在1年、3年和5年的生存率。研究人员使用曲线下面积（area under the curve, AUC）、校准曲线和决策曲线分析（decision curve analysis, DCA）来评估模型的性能。研究人员利用SHAP分析识别对模型预测贡献较大的特征。研究人员还通过亚组分析和生存曲线评估了化疗对淋巴结阳性患者的获益情况。
结果： 年龄、性别、婚姻状况、肿瘤部位、肿瘤分化程度、AJCC分期、区域淋巴结检查数目、区域淋巴结阳性数目和淋巴结手术范围均是影响胆道恶性肿瘤患者OS的独立风险因素。在所构建的多种模型中，随机森林（random forest, RF）模型在不同数据集上均表现出良好的AUC值。此外，RF模型在不同数据集上的校准曲线和决策曲线分析表明其性能优异。SHAP分析显示，区域淋巴结阳性数目、AJCC分期、肿瘤部位和年龄在胆道恶性肿瘤的生存分析中起着至关重要的作用。在训练集和测试集中，化疗与淋巴结阳性患者的OS改善相关。
结论： 本研究开发了一种基于多个风险因素的新型机器学习模型，能够有效预测胆道恶性肿瘤患者术后的预后。该模型可能有助于术后风险分层和个体化辅助治疗决策。
论文解读文章
研究背景
胆道恶性肿瘤是一组起源于胆管上皮细胞或胆囊黏膜的侵袭性肿瘤，是仅次于肝细胞癌的第二大常见肝胆系统恶性肿瘤，近年来全球发病率呈缓慢上升趋势。这类疾病解剖位置深、早期症状隐匿且缺乏有效的筛查手段，导致多数患者确诊时已处于晚期，失去了根治性手术的机会。胆道恶性肿瘤异质性高、侵袭性强，传统化疗效果有限，总体5年生存率极低，严重威胁患者生命健康，被认为是消化道肿瘤中最具挑战性的领域之一。因此，提高胆道恶性肿瘤患者的生存率仍是重要的临床难题。尽管已有许多研究针对此类患者开发了预后预测模型，但如何利用临床上易于获取的变量精准预测接受根治性治疗患者的预后，并及时进行干预，具有重要意义。机器学习作为一种有效的计算方法，越来越多地被应用于生物医学研究中。因此，本研究基于大规模人群数据，运用机器学习方法构建了一个新的模型，用于预测胆道恶性肿瘤患者在接受手术治疗后的预后，旨在识别不同预后的患者并辅助治疗决策。
研究方法概述
本研究的数据来源于SEER数据库（2004-2015年，6951例）和某医学中心（2015-2022年，245例）。研究人员将SEER数据按7:3划分为训练集和测试集，并将医学中心数据作为外部验证集。关键技术方法包括：首先，在训练集中使用单变量和多变量Cox比例风险回归分析筛选独立预后因素；其次，基于筛选出的变量，构建了六种机器学习模型，包括随机森林（RF）、极限梯度提升（XGBoost）、K近邻（KNN）、支持向量机（SVM）、轻量级梯度提升机（LightGBM）和CatBoost，用于预测1年、3年和5年生存率；再次，采用受试者工作特征曲线下面积（AUC）、Brier分数、校准曲线和决策曲线分析（DCA）等指标综合评估模型性能；最后，使用SHAP方法对最佳模型进行可解释性分析，并利用Kaplan-Meier法和log-rank检验比较化疗对不同淋巴结状态患者的生存获益。
研究结果
3.1 基线特征
研究共纳入训练集4865例、测试集2086例和外部验证集245例患者。三个数据集的中位淋巴结检查数目分别为8、9和12个，中位阳性淋巴结数目分别为0、1和0个。中位总生存期（OS）分别为30、29和32个月。
3.2 单变量和多变量Cox回归
单变量Cox回归分析显示，年龄、性别、婚姻状况、肿瘤部位、肿瘤分化程度、AJCC分期、肿瘤大小、淋巴结检查数目、淋巴结阳性数目和淋巴结手术范围均与OS显著相关。进一步的多变量Cox回归分析确认，年龄、性别、婚姻状况、肿瘤部位、肿瘤分化程度、AJCC分期、淋巴结检查数目、淋巴结阳性数目和淋巴结手术范围均为影响OS的独立风险因素。方差膨胀因子（VIF）计算结果表明各变量间不存在显著的多重共线性问题。
3.3 模型建立与评估
基于多变量Cox回归筛选出的显著变量，研究人员构建了六种机器学习模型。通过对比各模型在训练集、测试集和验证集上的AUC值、Brier分数和混淆矩阵，结果显示随机森林（RF）模型在所有性能指标上表现突出，尤其是在泛化能力和预测稳定性方面。具体而言，RF模型预测1年、3年和5年生存率的AUC值分别为：训练集0.758、0.797、0.850；测试集0.707、0.749、0.740；验证集0.796、0.870、0.886。校准曲线显示RF模型的预测概率与实际观察到的生存率高度一致。决策曲线分析（DCA）也表明，在广泛的阈值概率范围内，RF模型能提供更高的净临床获益。
3.4 模型解释与SHAP分析
SHAP分析揭示了各特征对模型预测的贡献度。结果显示，区域淋巴结阳性数目、AJCC分期、肿瘤部位和年龄是模型预测中最重要的四个特征。其中，较高的AJCC分期、较多的阳性淋巴结、特定的肿瘤部位（如肝内胆管）和较高龄（≥65岁）是增加死亡风险的因素；而较低的AJCC分期、阴性淋巴结、壶腹部肿瘤和已婚状态则是降低风险的因素。
3.5 化疗对患者的获益
研究人员根据术后淋巴结状态进行亚组分析，探讨化疗的获益情况。在训练集和测试集中，对于淋巴结阴性的患者，化疗并未改善OS；而对于淋巴结阳性的患者，接受化疗者的OS显著长于未化疗者。在验证集中，由于样本量较小，结果出现了不一致，即在淋巴结阴性亚组中观察到化疗获益，而在阳性亚组中则未观察到统计学差异。研究人员认为这可能是由于验证集样本量小导致的偶然性。
讨论与结论
讨论部分指出，传统的AJCC/TNM分期系统主要依赖解剖学范围，无法完全捕捉患者的复杂性。相比之下，机器学习模型能整合多维数据，提供更精确和个性化的预测。本研究所构建的RF模型在预测长期生存率方面表现最佳，具有潜在的临床应用价值。SHAP分析强调了淋巴结状态、AJCC分期、肿瘤部位和年龄的关键作用，这与临床认知相符。关于化疗获益，尽管验证集结果存在矛盾，但结合训练集和测试集的发现，研究倾向于认为术后淋巴结阳性患者可能从化疗中获益。研究同时承认了其局限性，包括回顾性设计、数据库中缺乏某些重要临床变量（如切缘状态、CA19-9水平等）、外部验证集样本量小且分布不均，以及因肿瘤亚型异质性带来的潜在影响。
研究结论： 本研究开发了一种基于多个风险因素的新型机器学习模型，能够有效预测胆道恶性肿瘤患者的预后。该模型可能有助于术后风险分层和个体化辅助治疗决策。
