IF10.3!恭喜武汉协和医院郑传胜教授团队凭机器学习+SHAP解释荣登二区TOP!精准预测胰腺癌早期复发

胰腺癌被称为“癌中之王”，即便手术成功，近半数患者仍在一年内面临复发。传统方法难以提前识别高风险人群。如今，武汉协和医院团队开发了机器学习模型，它不仅分析肿瘤的CT影像特征，还综合评估患者身体成分，构建出一个高精度预测模型！该系统能在术后早期准确预警复发风险，并清晰解释判断依据，犹如为医生配备了“智能预警雷达”，助力实现更个体化的精准治疗！

图1.研究流程图

回顾性纳入2014年6月至2023年12月期间在四家医院接受手术的PDAC患者。收集术前临床资料、CT影像及术后病理数据。提取瘤内及瘤周影像组学特征，量化体成分参数。采用六种机器学习算法构建预测模型，包括纯影像组学模型、临床模型、临床-影像组学模型以及临床病理-影像组学组合模型，并使用SHAP方法增强模型可解释性。

本研究共评估了589名胰腺导管腺癌患者，分为三个独立队列，患者特征总结于表1。

表1.训练集、内部验证集和外部验证集的患者特征

单因素分析显示，多个术前临床指标与早期复发显著相关，包括：

肿瘤相关：肿瘤大小≥3cm、CA199≥472.2 U/ml、CA125≥18.9 U/ml

炎症指标：血小板-淋巴细胞比值（PLR）≥160.58

身体成分：内脏脂肪指数（VFI）高、内脏-皮下脂肪比值（VSR）高

病理因素：接受辅助治疗、切缘阳性、淋巴血管侵犯（LVI）、肿瘤分级差、TNM分期≥IIA

图2.内部验证集中六种机器学习算法下瘤内、瘤周及瘤内-瘤周影像组学模型的性能比较雷达图

多因素分析进一步筛选出9个独立预测因素：肿瘤大小、辅助治疗（缺乏）、LVI阳性、TNM分期≥IIA、CA199升高、CA125升高、PLR升高、VFI升高、VSR升高。

表2.训练集中的单因素与多因素分析

从瘤内和瘤周区域各提取1106个影像组学特征。

由两名放射科医生评估特征可重复性，保留组内和组间相关系数（ICC）>0.75的特征。最终，978个瘤内特征和934个瘤周特征合格。

图3.外部验证集中六种机器学习算法下瘤内、瘤周及瘤内-瘤周影像组学模型的性能比较雷达图

通过最大相关最小冗余（mRMR）和最小绝对收缩与选择算子（LASSO）回归进行特征筛选。

最终保留9个瘤内特征、11个瘤周特征和13个瘤内-瘤周组合特征用于构建相应模型。

使用六种机器学习算法进行建模比较，包括LR、SVM、RF、ExtraTrees、LightGBM和MLP。

表3.瘤内-瘤周影像组学机器学习模型的性能比较

在六种算法中，RF算法应用于瘤内-瘤周模型时表现最佳。该RF模型的平均AUC为0.870 ± 0.030，证明了其稳健性。整合临床病理因素后的组合（Combined Model）模型性能进一步提升，其AUC在三个数据集中均显著高于其他模型。

表4.不同模型在训练集、内部验证集和外部验证集中的性能比较

图4.不同模型在训练集、内部验证集和外部验证集中的校准曲线与决策曲线

SHAP分析显示，影像组学特征、辅助治疗、CA199、淋巴血管侵犯、血小板-淋巴细胞比值、内脏脂肪指数、CA125、内脏-皮下脂肪比值、肿瘤大小和TNM分期是预测早期复发的关键因素。

图5.SHAP方法的全局模型解释图

图6.SHAP方法的局部模型解释图