通过SHAP方法开发一个可解释的机器学习模型，基于肿瘤免疫微环境（CODEX免疫组学）和MRI数据来预测肝细胞癌（HCC）患者的术后生存情况

《Cancer Imaging》：Developing an interpretable machine learning model via SHAP to predict HCC postoperative survival based on tumor immune microenvironment CODEX immunomics and MRI

肝癌术后生存预测模型的构建与验证：通过整合临床放射学特征与CODEX免疫组学数据，采用SHAP可解释机器学习模型，筛选出形状、动脉包膜强化及坏死区域作为临床模型特征，免疫微环境5项分子特征构建免疫模型，临床-免疫联合模型在验证集中C-index达0.870，timeAUC达1.000，显著优于单一模型。

　　

摘要

目的

通过使用“Co-detection by Indexing”（CODEX）免疫组学方法生成反映肿瘤免疫微环境的免疫评分，并结合临床放射学特征，我们开发了一个可解释的机器学习模型，该模型利用Shapley加性解释（SHAP）技术来预测肝细胞癌（HCC）患者的术后生存情况。

方法

我们回顾性地纳入了94名接受了CODEX检测且术前进行了磁共振成像的HCC患者。这些患者被分为训练集（n=65）和验证集（n=29），比例为7:3。通过单变量和多变量Cox回归分析，确定了影响5年生存率的临床放射学独立风险因素，以此构建了临床模型。在免疫组学分析中，使用CODEX技术评估了36个与免疫相关的分子。通过单变量Cox回归和递归特征消除（RFE）方法选择了关键特征。在五种机器学习算法中表现最佳的分类器被用来构建免疫模型。然后将免疫模型的免疫评分与临床模型的变量结合，通过多变量Cox回归分析来确定独立风险因素，从而形成了临床-免疫模型。我们对这些模型在区分能力、校准性能和临床实用性方面进行了比较。使用SHAP技术对模型的预测结果进行了解释。

结果

肿瘤形状、动脉周围增强和肿瘤内坏死构成了临床模型。五个免疫组学特征通过生存决策算法形成了免疫模型。临床-免疫模型结合了免疫评分和动脉周围增强这一特征。三种模型的一致性指数（C指数）在训练集分别为0.730、0.832和0.852，在验证集分别为0.624、0.815和0.870。时间依赖性曲线下面积（timeAUC）值在训练集分别为0.833、0.907和0.969，在验证集分别为0.656、0.919和1.000。临床-免疫模型表现出最佳的性能，具有更高的预测一致性和临床实用性，因此被选为最终预测模型。

结论

我们利用CODEX免疫组学技术和临床放射学特征开发了一个可解释的机器学习模型，用于预测HCC患者的术后生存情况。这一稳健的模型提高了生存预测的准确性，有助于HCC的临床决策。