基于血清学指标和临床特征的机器学习模型对脑胶质瘤患者预后的评估价值

摘要

目的 构建并比较基于血清学指标和临床特征的多种脑胶质瘤患者预后机器学习(ML)模型。方法 449例脑胶质瘤患者作为训练集，根据随访结果分为预后良好组(n=296)和不良组(n=153);手术治疗的135例患者作为测试集，分为良好组(n=89)和不良组(n=46);基于训练集构建逻辑回归(LR)、随机森林(RF)、支持向量机(SVM)和线性判别分析(LDA)四种机器学习预测模型；利用测试集评估模型性能，采用决策曲线分析(DCA)评估临床净获益，并通过Shapley加性解释(SHAP)算法量化各临床特征对预测结果的影响。结果 模型性能评估显示，RF模型在测试集中预测脑胶质瘤患者预后不良的曲线下面积(AUC)为0.904,优于LR、SVM和LDA模型；DCA表明，RF模型具有较高临床净获益；SHAP分析显示，中性粒细胞与淋巴细胞比值(NLR)、乳酸脱氢酶/白蛋白比值(LAR)、年龄、髓鞘碱性蛋白(MBP)、肿瘤直径、泛素结合酶E2C(UBE2C)、红细胞分布宽度(RDW)、术前KPS评分、预后营养指数(PNI)等是影响预测效果的重要特征。结论 RF模型在预测脑胶质瘤患者预后方面表现较优，可为临床开展精准化预后评估提供有效的决策支持工具。

关键词

生物标记 / 机器学习 / 神经胶质瘤 / 预后

基金资助

河北省张家口市重点研发计划项目(2421127D)