基于深度学习算法开发和验证的肝细胞癌预后预测模型:一项大样本队列和外部验证研究

• 作者: 韦英婷 覃家盟 樊金莲 梁敏 周海华 翚东 李婷
• 来源期刊: 中国癌症防治杂志
• 关键词: 肝细胞癌 预测模型 深度学习算法 机器学习 随机生存森林
• 年，卷（期）: 2021,（3）
• 所属期刊栏目: 临床研究|Clinical Research
• 页码范围: 294-300
• 页数: 7页
• 分类号: R735.7
• 语种: 中文
• DOI: 10.3969/j.issn.1674-5671.2021.03.13

摘要

目的 基于深度学习算法开发和验证可评估肝细胞癌(hepatocellular carcinoma,HCC)患者预后的预测模型,并评估其价值.方法 选择2011年1月—2015年12月美国国立癌症研究所的监测、流行病学和最终结果(Surveillance,Epidemiology and Results,SEER)数据库中经病理确诊的HCC患者为训练队列用于构建模型,选择同期在本院经病理确诊的HCC患者为外部验证队列用于评估模型.主要预测结局为1、3、5年总生存率.分别使用深度学习算法DeepSurv、随机生存森林(RFS)、Cox比例风险回归开发模型,使用C-index评价模型的区分度,一致性曲线评估模型的校准度,log-rank检验评估危险分层能力.结果 训练队列9730例患者和外部验证队列405例患者被纳入分析.在训练队列中,DeepSurv算法1、3、5年的C-index分别为0.85(95％CI:0.80～0.90)、0.82(95％CI:0.77～0.89)、0.80(95％CI:0.73～0.87),在外部验证队列中分别为0.83(95％CI:0.78～0.87)、0.79(95％CI:0.74～0.83)、0.72(95％CI:0.67～0.77).无论在训练队列还是外部验证队列中,DeepSurv算法的C-index和校准度均优于RFS、Cox回归和TNM分期(均P<0.05);log-rank检验显示,DeepSurv算法具有良好的危险分层能力(P<0.001).结论 基于深度学习算法DeepSurv开发的预测模型可有效预测HCC患者死亡率,且优于常规的算法和预后评价指标.