机器学习模型在胸段食管鳞状细胞癌术后生存风险分层中的应用研究

作者：徐瑾业; 周江晖; 刘生伟; 陈良亮; 胡俊熙; 王霄霖; 束余声^*

来源：中国胸心血管外科临床杂志, 2022, 29(12): 1574-1579.

• 食管癌
• 机器学习
• 手术
• 预后
• 预测模型
• 生存风险分层

目的 探讨机器学习模型在预测胸段食管鳞状细胞癌（鳞癌）患者术后生存风险分层中的应用价值。方法 回顾性分析2014年1月—2015年9月在苏北人民医院胸外科行食管癌根治术的369例胸段食管鳞癌患者的临床资料，其中男279例（75.6%）、女90例（24.4%），年龄41～78岁。将患者按7∶3比例随机分为训练集（259例）和测试集（110例）。通过选择最佳特征子集进行变量筛选。在此基础上构建6种机器学习模型，并在独立测试集验证。通过曲线下面积（area under the curve,AUC）、准确率、对数损失函数值评价模型的预测性能，通过校准曲线反映模型的拟合情况。从中选出最佳模型作为最终模型，利用X-tile进行风险分层，采用KaplanMeier法与log-rank检验进行生存分析。结果 胸段食管鳞癌患者术后5年生存率为67.5%。训练集和测试集之间各项临床病理特征差异均无统计学意义（P均>0.05）。最终纳入高血压、吸烟史、饮酒史、组织分化程度、pN分期、脉管侵犯、神经侵犯共7个变量进行建模，各模型在独立测试集中的AUC值分别为：决策树（AUC=0.796）、支持向量机（AUC=0.829）、随机森林（AUC=0.831）、逻辑回归（AUC=0.838）、梯度提升机（AUC=0.846）、XGBoost(AUC=0.853)。最终遴选出XGBoost模型作为最佳模型，并分别对训练集和测试集进行风险分层，其中将训练集和测试集患者分别分为低危组、中危组和高危组。在训练集和测试集中，三组患者手术预后情况差异均有统计学意义（P<0.001）。结论 机器学习模型在预测胸段食管鳞癌术后预后方面具有较高价值，XGBoost模型对胸段食管鳞癌患者术后5年生存情况的预测性能优于常见机器学习方法，具有较高的实用性和可靠性。

• 单位
  苏北人民医院; 中国人民解放军陆军军医大学; 扬州大学