hcc肝细胞癌患者预后的估测模型.docxVIP

hcc肝细胞癌患者预后的估测模型 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9 730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P0.05）;log-rank检验显示，DeepSurv算法具有良好的危险分层能力（P0.001）。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。 肝细胞癌（hepatocellular carcinoma,HCC）是常见的消化道恶性肿瘤，肝切除术是主要的治疗方法之一，但5年复发率高达70%1 资料与方法1.1 研究设计与对象本研究为回顾性队列研究。选择2011年1月—2015年12月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，随访截至2019年12月；选择同期于本院经病理确诊的HCC患者为外部验证队列用于评估模型，随访截至2019年6月。遵循TRIPOD报告指南1.2 数据提取及定义训练队列数据采用SEER*stat 8.3.5软件（http：///seerstat）在SEER数据库中提取。该数据库于1973年建立，记录了美国部分州县40余年来肿瘤患者的相关信息，是目前美国最具代表性的大型肿瘤登记注册数据库之一1.3 预测结局本研究将HCC患者的相关性死亡作为研究终点，主要预测结局为1、3、5年总生存率。总生存期（overall survival,OS）定义为患者确诊到死亡或随访截止的时间。1.4 Deep Surv算法Deep Surv算法是将深度学习技术应用于非线性Cox回归的风险网络，其网络是一种深度前馈神经网络，通过网络学习权重，预测患者协变量对其危险率的影响1.5 RFS算法RFS算法是一种用于右删失生存数据进行分析的随机森林方法，引入了生存森林的事件保留原则，可用于定义总体死亡率，是一种简单的可解释的死亡率度量，可以用作预测结果1.6 统计学方法计量资料以均数±标准差（2 结果2.1 一般资料及生存情况在SEER数据库中筛选了78 456例HCC患者，最终纳入符合标准9 730例构成训练队列；在本院电子病历系统中共筛选了731例患者，最终纳入符合标准405例构成外部验证队列。在训练队列中，中位随访44个月时死亡5 836例（60.0%），中位OS为24.0个月（95%CI:23.0～25.0个月），1、3、5年生存率分别为64.2%、40.5%、30.7%，见图1A；在外部验证队列中，中位随访41个月时死亡236例（61.5%），中位OS为21.0个月（95%CI:17～28.0个月），1、3、5年生存率分别为61.4%、38.6%、27.1%，见图1B。两个队列中，诊断时的平均年龄分别为（65.0±10.9）岁和（65.1±11.3）岁，均以男性为主（训练队列男性占75.8%，外部验证队列男性占76.3%），其余资料比较见表1。2.2 训练队列中影响OS的独立因素在训练队列中采用Cox比例风险回归模型分析影响HCC患者OS的因素。单因素Cox回归分析显示，性别、种族、年龄、组织学分级、T分期、N分期、M分期、肿瘤大小、转移、手术与OS有关（均P0.05）。多因素Cox回归分析显示，年龄、组织学分级、T分期、N分期、M分期、肿瘤大小、转移、手术是影响OS的独立因素（均P0.05），见表2。2.3 预测模型的开发选择影响OS的独立因