开发和验证用于预测局部晚期结直肠癌患者无病生存时间的时间至事件（Time-to-Event）机器学习模型：一项多中心队列研究

《Annals of Surgical Oncology》：Development and Validation of Time-to-Event Machine Learning Models for Predicting Disease-Free Survival in Patients with Locally Advanced Colorectal Cancer: A Multicenter Cohort Study

结直肠癌术后无病生存期预测研究采用多中心队列，整合CT影像放射组学特征（radscore）和肿瘤异质性（ITH）评分，构建5种时间序列机器学习模型。GB-Survival模型C-index达0.7823最优，关键预测因子包括ITH评分、病理TNM分期、淋巴血管侵犯、radscore和营养指数。

　　

摘要

背景

局部晚期结直肠癌（LACRC）的术后预后存在显著异质性。然而，传统的无病生存期（DFS）预测模型往往缺乏必要的精确度。因此，我们旨在开发和验证用于预测LACRC患者DFS的事件时间机器学习（ML）模型，从而最终提高预后预测的准确性。

患者与方法

这项多中心队列研究招募了来自三个医疗中心的456名LACRC患者。其中，350名患者组成的训练队列来自中心1和中心2，而106名患者组成的外部验证队列来自中心3。术前计算机断层扫描（CT）图像被分割以提取放射组学特征，并通过特征工程计算出放射组学评分（radscore）。此外，通过将聚类掩模区域与全局像素分布模式相结合，得出了肿瘤内异质性（ITH）评分。为了预测DFS，训练了五种事件时间ML模型：Cox比例风险模型、FastKernelSurvivalSVM、GradientBoostingSurvival（GB-Survival）、RandomSurvivalForest和ExtraSurvivalTrees。使用一致性指数（C-index）评估模型性能，并通过Survival SHapley Additive exPlanations over time（SurvSHAP (t)）分析对模型进行解释。

结果

在测试的模型中，GB-Survival在预测DFS方面表现出最高的性能，其C指数为0.7823。SurvSHAP (t) 分析显示，关键的预后因素包括ITH评分、病理TNM分期、淋巴血管侵袭、radscore和预后营养指数。

结论

整合多模态数据的GB-Survival模型在预测LACRC的DFS方面优于其他事件时间ML模型。这种方法可能有助于为LACRC患者制定数据驱动的治疗策略和个性化风险分层。