
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于SHAP增强的XGBoost模型预测新辅助化疗免疫治疗后局部晚期肺腺癌病理完全缓解及预后分层的回顾性研究
《Scientific Reports》:Prediction of pathological complete response to neoadjuvant chemo-immunotherapy in locally advanced lung adenocarcinoma: a multimodal machine learning approach
【字体: 大 中 小 】 时间:2026年09月23日 来源:Scientific Reports 4.9
编辑推荐:
摘要在新辅助化疗免疫治疗局部晚期肺腺癌(LUAD)后预测病理学完全缓解(pCR)仍然是临床难题。我们旨在开发一个可解释的机器学习框架,以预测pCR并对患者预后进行分层。这项回顾性研究纳入了627例驱动基因阴性的LUAD患者(2020–2025年)。整合了15个基线临床病理学、
在新辅助化疗免疫治疗局部晚期肺腺癌(LUAD)后预测病理学完全缓解(pCR)仍然是临床难题。我们旨在开发一个可解释的机器学习框架,以预测pCR并对患者预后进行分层。这项回顾性研究纳入了627例驱动基因阴性的LUAD患者(2020–2025年)。整合了15个基线临床病理学、代谢及炎症特征,对四种算法进行评估。最优模型使用SHAP(SHapley Additive exPlanations)进行解释,并对无进展生存期(PFS)进行了验证。极端梯度提升(XGBoost)模型表现出卓越的判别性能(AUC = 0.872),显著优于传统逻辑回归(P < 0.001)。SHAP分析鉴定出PET-CT SUVmax、CEA和PD-L1表达为主要预测因子,揭示了其非线性阈值及协同交互作用。决策曲线分析证实了其临床净获益。此外,由AI模型分层为高概率组的患者显示出显著延长的PFS,即使在高恶性度亚组中亦如此(P < 0.001)。这一SHAP增强的XGBoost框架在预测pCR和分层LUAD长期生存方面显示出作为概念验证模型的显著潜力。然而,鉴于队列的人为富集,在将其视为优化个体化新辅助治疗策略的确定性临床工具之前,需要进行前瞻性多中心外部验证。