上尿路尿路上皮癌不良病理特征的机器学习预测模型的开发与内部验证

《Urologic Oncology: Seminars and Original Investigations》：Development and internal validation of machine-learning models to predict adverse pathological features in upper tract urothelial carcinoma

　　

• •
  利用机器学习（AI）进行UTUC术前不良病理特征的检测。
• •
  机器学习（AI）的特异性高于AUA风险分层。
• •
  既有的临床预测指标仍是风险的主要驱动因素。
• •
  机器学习（AI）可辅助术前决策，但仍需进一步验证。

引言

上尿路尿路上皮癌（UTUC）是一种临床上极具挑战性的疾病，因其生物学异质性强以及术前风险评估准确性有限。当前的治疗算法依赖于多种风险因素，使患者处于治疗决策的十字路口——需在对诊断确定性考虑相当有限的情况下，就手术方式（肾脏保留治疗 vs. 根治性手术、淋巴结清扫）及围手术期策略作出决策[1,2]。

然而，当怀疑存在侵袭性肿瘤特征时，仍应进行确定性手术治疗[3]。许多指导治疗算法的风险因素来源于术后病理发现[4]，而术前风险的不确定性因分期手段的准确性有限而进一步加剧。在术前评估为低危的患者中，根治性手术后报告了较高的病理升级和分期上调率[[5], [6], [7], [8]]。此外，横断面影像学检查在检测隐匿性淋巴结转移方面敏感性有限[9,10]。这些局限性共同凸显了在手术前准确识别具有不良病理特征患者的困难。

准确的术前风险评估不仅对于确定器官保留治疗的适用性至关重要，也可能为考虑新辅助全身治疗提供依据[[11], [12], [13]]。

在此背景下，我们旨在利用一个大型多中心注册研究数据，开发术前机器学习（ML）模型，以预测不良病理特征。

章节摘要

数据来源

ROBotic surgery for Upper tract Urothelial cancer Study（ROBUUST 3.0）合作研究是一项持续进行的国际性、回顾性多中心注册研究，纳入接受手术治疗的UTUC患者。该注册研究涵盖了来自美国、欧洲和亚洲22家三级医疗机构的真实世界数据，纳入的治疗时间为2004年6月至2024年12月。

所有数据均在各参与机构进行回顾性收集，并汇入集中数据库。数据质量

结果

在注册研究的4,257例患者中，≥pT2预测模型纳入3,179例患者，pN+预测模型纳入1,493例患者。详细的患者流程见图1。临床预测指标的基线特征及结局分布总结于表1。

对于≥pT2预测，独立测试队列由636例患者组成，肌层浸润性疾病的患病率为55%。对于pN+预测，独立测试队列包括299例

讨论

UTUC的准确术前分期仍然具有挑战性，且对手术规划和患者咨询具有重要影响。在本多中心研究中，我们评估了利用常规可用的术前临床变量进行基于机器学习的模型预测手术时不良病理特征的可行性。

在独立验证中，所有评估的算法对≥pT2和pN+疾病均表现出中等且可比的区分能力，ROC-AUC值为

结论

基于术前变量预测不良病理特征的机器学习模型在本队列中表现出中等区分能力。既有的临床预测指标仍然是风险的主要决定因素，而机器学习使这些变量间关系的灵活建模成为可能，而非提供根本性的新预测信号。这些发现具有探索性并经过内部验证；在临床应用前，仍需进行外部验证及前瞻性临床效用评估。

CRediT作者贡献声明

Philipp Korn：撰写——原稿、可视化、方法学、资金获取、形式分析、数据整理、概念构思。Maximilian Pallauf：概念构思。Soum Lokeshwar：数据整理。Giacomo Musso：数据整理。Zhenje Wu：数据整理。Linhui Wang：数据整理。Alex Kutikov：数据整理。Randall Lee：概念构思。Francesco Ditonno：数据整理。Alessandro Veccia：形式分析。Riccardo Bertolo：数据整理。Alessandro Antonelli：方法学。Lin

利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/人际关系：Philipp Korn报告获得德国研究基金会的财务支持。Maximilian Pallauf报告获得帕拉塞尔苏斯医科大学的财务支持。其他作者声明不存在已知可能影响本文所述工作的竞争性财务利益或人际关系。

Philipp Korn|Maximilian Pallauf|Soum Lokeshwar|Giacomo Musso|Zhenje Wu|Linhui Wang|Alex Kutikov|Randall Lee|Francesco Ditonno|Alessandro Veccia|Riccardo Bertolo|Alessandro Antonelli|Lin Lin|Vitaly Margulis|Alireza Ghoreifi|Hooman Ebrahimi|Hooman Djaladat|Hidefumi Kinoshita|Takashi Yoshida|Gabriele Tuderti|Nirmish Singla