用于预测非小细胞肺癌脑转移对表皮生长因子受体酪氨酸激酶抑制剂反应的机器学习模型：一项系统评价和荟萃分析

《Clinical and Translational Oncology》：Machine learning models for predicting response to epidermal growth factor receptor tyrosine kinase inhibitors in non-small cell lung cancer brain metastases: a systematic review and meta-analysis

基于机器学习模型预测非小细胞肺癌伴脑转移患者EGFR-TKI疗效的研究显示，综合AUC达0.84，准确性75%，但受限于小样本回顾性数据及缺乏外部验证。

　　

摘要

背景

预测表皮生长因子受体酪氨酸激酶抑制剂（EGFR-TKIs）在非小细胞肺癌（NSCLC）伴脑转移（BMs）患者中的临床和放射学结局对于有效管理患者至关重要。基于机器学习（ML）的模型越来越多地被用于预测具有脑转移的肺癌（LCBM）患者的EGFR-TKI反应。在这项研究中，我们旨在评估基于ML的模型在预测EGFR-TKI反应方面的性能。

方法

我们使用PubMed、Embase、Scopus和Web of Science从数据库建立之日起检索了截至2025年4月25日的文献。纳入了那些开发了基于ML的模型来预测EGFR-TKI反应的研究。

结果

共有8项研究纳入了1322名LCBM患者。这些研究使用了逻辑回归（LR）、最小绝对收缩选择算法（LASSO）逻辑回归、决策树（DT）以及基于Cox的深度学习模型（DL-Cox）。元分析显示，这些模型在预测EGFR-TKI反应方面的曲线下面积（AUC）为0.84（95% CI 0.78–0.91），准确率（ACC）为0.75（95% CI 0.62–0.88），敏感性（SEN）为0.82（95% CI 0.77–0.87），特异性（SPE）为0.73（95% CI 0.66–0.80）。诊断比值比（DOR）的元分析显示，合并后的DOR为12.41（95% CI 7.32–21.04）。

结论

基于ML的模型在预测LCBM患者的EGFR-TKI反应方面表现出良好的能力，这支持了它们在指导治疗选择方面的潜力。然而，由于回顾性数据集规模较小以及缺乏外部验证，这些模型在临床实践中的应用仍然受到限制。