基于4种机器学习模型的免疫联合放疗与单纯免疫治疗晚期非小细胞肺癌患者的预后差异与影响因素分析

摘要

目的 比较免疫治疗联合放疗与单纯免疫治疗在晚期非小细胞肺癌(NSCLC)患者中的生存结局差异，构建可解释二分类变量的判别模型。方法 回顾性分析2019年1月—2025年6月接受免疫治疗的105例晚期NSCLC患者治疗前的15种血清炎症免疫因子水平资料，按免疫治疗前是否放疗分为免疫联合放疗组(n=30)与免疫治疗组(n=75)。采用Kaplan-Meier曲线比较总生存期和无进展生存期差异；采用Cox回归分析筛选预后因素；采用逻辑回归(LR)、支持向量机(SVM)、随机森林(RF)及极端梯度提升(XGBoost)4种机器学习方法构建二分类判别模型，并采用SHAP方法解析重要特征。结果 放疗联合免疫治疗显著改善患者总生存期(HR=0.564, 95%CI:0.329～0.966,P=0.037)与无进展生存期(HR=0.372, 95%CI:0.214～0.647,P<0.000 1)。中性粒细胞与淋巴细胞比值(NLR)是独立预后因素(HR=1.16, 95%CI:1.03～1.30,P=0.015); SVM模型表现最优，泛化性能稳定；白细胞介素(IL)-5在各模型中贡献度最高。结论 与单纯免疫治疗相比，免疫治疗联合放疗可提升NSCLC患者治疗获益，IL-5可能是影响二者预后差异的重要特征，凸显了机器学习在生物标志物识别中的优势。

关键词

非小细胞肺癌 / 免疫治疗 / 放射治疗 / 联合治疗 / 机器学习 / 判别模型 / 逻辑回归 / 支持向量机 / 随机森林 / 极端梯度提升

基金资助

江苏省产学研合作项目(BY20021106)