通过机器学习探究外周血相关指标对非小细胞肺癌EGFR突变及预后的预测价值研究.pdfVIP

105

中国肺癌杂志2025年2月第28卷第2期ChinJLungCancer,February2025,Vol.28,No.2··

DOI:10.3779/j.issn.1009-3419.2025.102.05·临床研究·

通过机器学习探究外周血相关指标对非小细胞

肺癌EGFR突变及预后的预测价值研究

付书磊温少迪张佳强杜晓月李茹沈波

【摘要】背景与目的表皮生长因子受体（epidermalgrowthfactorreceptor,EGFR）敏感突变是非小细胞肺癌

non-smallcelllungcancer,NSCLC

（）靶向治疗的有效靶点之一。然而，由于部分原发组织难以获取及部分经济欠

发达地区经济因素，部分患者无法进行传统基因检测。本研究旨在利用非侵入性的外周血指标，建立机器学习

machinelearning,MLNSCLCEGFR

（）模型，探索中与突变状态密切相关的生物标志物，并评估其在预后中的潜在价

201611202352642

值。方法回顾性地收集年月至年月就诊于江苏省肿瘤医院的例肺癌患者的临床指标，将有完整随

访数据的175例NSCLC患者纳入研究。根据外周血指标构建ML模型，按照8:2的比例分为训练集和测试集。采用无

监督学习算法对血液特征进行聚类，使用互信息法进行特征筛选，并设计基于Shapley值的集成学习算法，计算每个

特征对于模型预测结果的贡献程度。使用受试者工作特征（receiveroperatingcharacteristic,ROC）曲线对模型预测能

力进行评估。结果通过基于Shapley值的可解释ML模型的特征提取和对预测结果的贡献度分析，筛选出前10个贡献

度最高的指标，分别为：病理类型、磷、嗜酸性粒细胞、单核细胞计数、活化部分凝血活酶时间、钾、总胆红素、

areaunderthecurve,AUC0.80

钠、嗜酸性粒细胞百分比及总胆固醇。本研究模型的曲线下面积（）为。此外，低血钠

及病理类型为鳞癌组的患者预后较差（P0.05）。结论本研究构建的可解释的模型为NSCLC患者EGFR突变状态的

预测提供了新方法，这对无法进行基因检测的患者的诊疗提供了较为科学的依据。

【关键词】肺肿瘤；表皮生长因子受体；机器学习；预测模型

ExplorationofthePredictiveValueofPeripheralBlood-relatedIndicatorsforEGFR

Mutations