《Frontiers in Cell and Developmental Biology》:DeepOSSA: a deep learning framework for personalized survival prediction in osteosarcoma patients
编辑推荐:
背景:骨肉瘤(osteosarcoma)是儿童和青少年最常见的原发性恶性骨肿瘤,因肿瘤生物学和治疗反应存在患者间变异而表现为高侵袭性和异质性结局。准确的预后建模对个体化风险分层和临床决策至关重要。目的:研究人员开发并验证了DeepOSSA,一种用于骨肉瘤个体化
背景:骨肉瘤(osteosarcoma)是儿童和青少年最常见的原发性恶性骨肿瘤,因肿瘤生物学和治疗反应存在患者间变异而表现为高侵袭性和异质性结局。准确的预后建模对个体化风险分层和临床决策至关重要。目的:研究人员开发并验证了DeepOSSA,一种用于骨肉瘤个体化生存预测的深度学习框架,利用监测、流行病学和最终结果(SEER)数据库中的高维、稀疏编码临床数据。方法:提取2010年至2018年诊断的895例骨肉瘤患者临床数据。连续变量采用X-tile进行最优离散化,分类协变量进行独热编码。研究人员将DeepOSSA与七种代表性模型比较,涵盖经典机器学习(支持向量机(SVM)、随机森林(RF)和梯度提升决策树(GBDT))、深度学习(多层感知机(MLP)和Transformer)以及生存分析(Cox比例风险(CoxPH)和DeepSurv)。DeepOSSA将用于高阶稀疏特征交叉的基于Transformer的表示塔与Cox式离散时间生存头整合,实现特征表示和生存时间事件建模的联合优化。性能在留出测试集上采用曲线下面积(AUC)和F1分数评估。结果:DeepOSSA在判别和平衡分类上优于所有基线,AUC为0.8058±0.0081,F1分数为0.6506±0.0060,平均相对提升分别为13.11%(AUC)和8.99%(F1)。在所有评估模型中,DeepOSSA取得最高AUC(超过0.8),并与既往发表、经外部验证的骨肉瘤Cox列线图相比具有竞争力。在时间依赖评估中,其相对CoxPH的预测优势在长期随访中增加,此时比例风险假设最易被违背。消融研究证实每个架构组件的必要性,SHapley Additive exPlanations(SHAP)分析显示模型风险预测由临床已确立的预后因素驱动。通过捕捉基于注意力的非线性交互和时间动态,DeepOSSA较传统线性模型实现更精确的患者分层。结论:DeepOSSA是一个稳健且可解释的框架,将基于Transformer的表示学习与有原则的生存分析衔接起来。它有效建模稀疏临床特征与生存结局之间的复杂非线性关系,为将异质性临床数据转化为精准肿瘤学中的可操作见解提供了强大潜力。
研究背景:骨肉瘤(osteosarcoma,起源于原始间充质细胞的恶性骨肿瘤)具有高侵袭性和异质性;尽管多模式辅助化疗和保肢手术改善了局限期患者生存,但初诊转移尤其肺转移或复发患者5年生存率长期约20%–30%。临床常用AJCC TNM分期和MSTS分级,但仅依赖肿瘤大小、淋巴结状态和远处转移等少量形态指标,难以刻画人口学、细粒度病理细节和治疗之间的复杂非线性交互;Cox比例风险模型(CoxPH,半参数生存模型)受严格比例风险假设和线性可乘协变量效应限制,对高维、交互丰富临床数据不足。现有机器学习/深度学习在骨肉瘤领域存在两个瓶颈:注册数据以稀疏独热分类变量为主,其预后信息主要在高阶交互中,树集成和浅层多层感知机(MLP,前馈全连接网络)难以学习深层全对特征交叉;通用深度架构缺乏生存特异归纳偏置,DeepSurv仍继承CoxPH比例风险假设。为此,研究人员提出DeepOSSA,将Transformer(基于多头自注意力的神经网络架构)表示塔与Cox式离散时间生存头显式耦合。研究基于SEER(Surveillance, Epidemiology, and End Results,监测、流行病学和最终结果)数据库2010–2018年895例骨肉瘤患者,按7:3随机分为训练集627例和验证集268例,以重复随机划分5次评估,与7种基线及既往Liu et al.和Yang et al.列线图比较,并进行消融、显著性检验、SHAP、t-SNE和病例研究。结论是DeepOSSA取得最高AUC和F1,具有长期风险估计和个体化分层潜力;意义在于为异质稀疏临床数据提供可解释生存建模框架,支持精准肿瘤学转化。
关键技术方法(不超过250字):样本队列来源为SEER数据库2010–2018年895例骨肉瘤患者,按7:3随机分为训练集627例和验证集268例,并以重复随机划分5次评估。连续变量用X-tile(数据驱动截断点选择工具)在训练集确定最优截断点后离散化,分类变量独热编码。DeepOSSA由特征嵌入层、Transformer表示塔、辅助去偏塔和Cox式离散时间生存头组成;以多头自注意力进行稀疏特征全对高阶交叉,去偏塔保留一阶信号,输出层融合后生成离散时间条件风险,并用负对数似然(NLL,负对数似然目标)联合优化。评估采用AUC(曲线下面积,判别能力指标)、F1分数(精确率与召回率的调和平均)和C-index(一致性指数),对比SVM、RF、GBDT、MLP、Transformer、CoxPH和DeepSurv;辅以消融、SHAP和t-SNE。
研究结果:3.1 总体性能(Overall performance):在5次重复7:3随机划分中,DeepOSSA的AUC为0.8058±0.0081、F1为0.6506±0.0060、C-index为0.7889±0.0069,优于所有基线;相对ΔAUC从+3.84%(对DeepSurv)到+34.42%(对SVM),平均+13.11%;配对t检验P值为6.0×10
?5至6.1×10
?3,Cohen's d为2.65–8.83,DeLong检验均显著(p<0.05;p为6.3×10
?6至0.045)。与复现的Liu et al.和Yang et al.列线图比较,DeepOSSA在AUC和F1上更优。结论为DeepOSSA判别和平衡分类最佳且AUC超过0.8。
3.2 消融研究(Ablation study):全模型AUC和F1最高;去掉去偏塔后AUC由0.806降至0.770、F1由0.651降至0.614且方差增大;以MLP替代Transformer注意力后AUC为0.746;标准MLP嵌入池化为0.758;替代生存头为0.743。结论为各架构组件均必要,去偏塔有助于保留一阶信号和稳定训练。
3.3 基于SHAP的可解释性分析(SHAP-based interpretability analysis):采用KernelExplainer、50例背景患者和268例测试患者,年龄、肺转移和手术为最重要特征;年龄平均|SHAP|=0.892且与预测风险正相关,肺转移平均|SHAP|=0.625、平均SHAP为+1.45,手术平均|SHAP|=0.612、手术者平均SHAP为?0.48而未手术者为+0.86。结论为模型风险预测由临床已确立预后因素驱动,方向与已知临床关联一致。
3.4 相对于生存时间的性能(Performance with respect to survival time):DeepOSSA平均AUC为0.8076±0.0108,CoxPH为0.7818±0.0060;20个月内DeepOSSA AUC为0.7927、较CoxPH高0.0172,仅t=1.9个月时CoxPH有0.0017的短暂优势;中期AUC差+0.0274、长期+0.0284,最大单点增益+0.0343出现在93.6个月。F1全期均值0.5871对0.5676,31个时间锚点中28个领先;早期F1低0.0284,20个月后逆转。结论为DeepOSSA优势贯穿随访期并在长期比例风险假设最受挑战时扩大。
3.5 可视化(Visualization):对融合患者嵌入进行t-SNE(t分布随机邻域嵌入)投影,死亡组n=94与存活/删失组n=174形成可区分簇,质心距离14.83;按预测风险着色呈低风险到高风险连续梯度。结论为Transformer编码器学习到具生存判别信息的表示,生存头将其映射为有预后意义的风险评分。
3.6 病例研究:个体化风险分层(Case study: individualized risk stratification):患者A为13岁男性IV期骨肉瘤,伴骨、肺、肝转移,未手术和化疗,预测风险0.970、生存概率0.030,10个月死亡;患者B为17岁女性IV期伴转移,接受手术和化疗,预测风险0.460、生存概率0.540,107个月存活并删失;风险差0.510。结论为DeepOSSA输出连续风险评分并体现治疗暴露和特征交互,预测与观察结局一致。
讨论总结:该研究提出DeepOSSA并在SEER骨肉瘤队列中验证,结果显示其在AUC、F1和长期时间依赖评估中优于经典机器学习、通用深度学习和专用生存分析基线;消融、SHAP、t-SNE和病例研究支持架构组件必要性、临床可解释性和个体化分层价值。与Liu et al.和Yang et al.等外部验证列线图相比,DeepOSSA具有竞争力,但原文指出其仅在内部70:30划分中评估,跨验证方案直接比较应谨慎,未来需独立机构或地理队列外部验证。临床上,连续风险评分可支持辅助治疗强度和随访频率决策,并适合纵向监测;其建模稀疏分类输入高阶交互和去偏设计可推广至其他删失、类别不平衡数据,并可整合影像、病理和分子多模态数据。局限包括:895例对深度网络仍属 modest、骨肉瘤罕见导致外部验证困难、仅用表格临床数据、内部重采样不能完全证明泛化;未来拟采用迁移学习、域适应及预训练大语言模型世界知识增强零样本能力和可解释性。
研究结论翻译:DeepOSSA是一个稳健且可解释的框架,将基于Transformer的表示学习与有原则的生存分析衔接起来。它有效建模稀疏临床特征与生存结局之间的复杂非线性关系,为将异质性临床数据转化为精准肿瘤学中的可操作见解提供了强大潜力。