预测肺癌患者中与免疫检查点抑制剂相关的肺炎：多种机器学习模型的开发与验证

《BMC Cancer》：Prediction of immune checkpoint inhibitor-related pneumonitis in lung cancer: development and validation of multiple machine learning models

本研究旨在开发并验证结合CT放射组学机器学习模型和临床语义特征模型，以准确预测免疫检查点抑制剂相关肺炎（CIP）风险，并创建多种早期风险评估工具，以改善患者管理和预后。

　　

摘要

研究目的

本研究旨在开发和验证结合放射组学与机器学习（ML）的模型以及临床语义特征模型，以准确预测接受免疫治疗的肺癌患者发生免疫检查点抑制剂相关肺炎（CIP）的风险。此外，该研究还致力于开发多种风险评估工具，以实现CIP的早期检测，从而改善患者管理和治疗结果。

方法

2020年8月至2024年9月期间，从210名接受肺癌免疫治疗的患者中收集了候选预测因子。这些预测因子包括临床语义特征、血液标志物和影像组织学特征。CIP的结局数据来源于电子病历和影像评估结果。研究使用了五种机器学习算法来构建模型，并比较了它们的预测性能。

结果

共识别出4个与CIP相关的潜在预测因子，并用它们构建了一个临床语义模型。基于支持向量机（SVM）算法构建的放射组学模型在训练集和测试集之间的吻合度较高。组合模型（曲线下面积[AUC]分别为0.933和0.909）具有最佳的预测性能。该组合模型显著提升了CIP的预测能力。决策曲线分析（DCA）显示组合模型在各个队列中的预测效果有所提升。通过诺模图（Nomograms）和Shapley加性解释方法对风险预测模型进行了可视化处理，以便更好地解释CIP的早期预测结果。

结论

通过整合CT放射组学特征和临床语义特征构建的组合模型表现出最佳的预测性能。该模型在CIP的早期预测和筛查方面具有广泛的应用潜力。