《Frontiers in Oncology》：Artificial intelligence–based prognostic modeling of immunoradiotherapy in Barcelona clinic liver cancer stage C hepatocellular carcinoma: a multicenter retrospective study
编辑推荐：
本研究探索了AI在BCLC C期肝癌治疗中的应用，聚焦于免疫联合放疗的生存获益及预后预测。利用多种机器学习算法（包括Cox、LASSO、DT、RSF和XGBoost）对多中心198例患者数据进行分析，发现添加放疗可显著改善PFS和OS。其中，随机生存森林（RSF）模型在验证集中展现出最优的预测性能（6、12、24个月OS的ROC-AUC分别为0.821、0.818、0.791）。研究为晚期肝癌的个体化精准治疗决策提供了基于人工智能的有力工具。
背景
肝细胞癌（HCC）是全球癌症相关死亡的主要原因之一，每年新发病例超过90万。巴塞罗那临床肝癌（BCLC）C期HCC通常伴有血管侵犯、肝外转移或肝功能受损，预后极差。传统的全身治疗效果有限。近年来，免疫疗法联合放射治疗已成为一种有前景的策略。然而，患者的治疗反应存在高度异质性，可靠的个体化预后预测工具仍很缺乏。人工智能（AI），特别是机器学习（ML），能够整合复杂的多维生物医学数据，为个体化预后预测提供了新方法。
方法
本研究回顾性分析了来自中国三家医院的198例BCLC C期HCC患者。患者被分为两组：实验组接受免疫放疗联合靶向治疗，对照组仅接受免疫治疗联合靶向治疗。通过逆概率处理加权（IPTW）平衡两组基线特征。研究的主要终点是总生存期（OS），次要终点是无进展生存期（PFS）。为构建AI预后模型，研究者首先通过单变量Cox回归筛选与OS相关的候选预测因子。随后，将患者按7:3随机分为训练队列和验证队列。在训练集中，开发了五种机器学习算法：多元Cox模型、LASSO回归、决策树（DT）、随机生存森林（RSF）和XGBoost，并使用一致性指数（C-index）评估其区分性能。模型在验证集中通过受试者工作特征曲线下面积（ROC-AUC）、决策曲线分析（DCA）和校准图进行评估。此外，还通过变量重要性分析来解读各特征对模型的贡献。
结果
在IPTW调整前后，实验组均显示出比对照组更长的中位PFS和中位OS。单变量Cox分析显示，放疗与OS改善相关（HR 0.63），而肿瘤数量≥2、肿瘤大小≥5 cm、Child-Pugh B级、门静脉癌栓（PVTT）和甲胎蛋白（AFP）≥400 ng/mL与较差的生存率相关。相关性分析显示这些变量间相关性较低，支持它们对生存预测的独立贡献。在训练队列中，RSF模型获得了最高的C-index（0.7458）。在验证队列中，RSF模型在预测6、12、24个月OS时也表现出最佳的ROC-AUC值，分别为0.821、0.818和0.791。决策曲线分析和校准图表明该模型具有良好的稳定性和校准度。变量重要性分析显示，在所有时间点（6、12、24个月），肿瘤数量、肿瘤大小和门静脉癌栓（PVTT）始终对生存预测有显著贡献。
讨论
本研究系统性地评估了在免疫治疗联合靶向治疗的基础上增加放疗对BCLC C期HCC患者的生存获益，并进一步探讨了人工智能在预后预测中的作用。结果显示，增加放疗与显著延长的PFS和OS相关。RSF模型在众多AI算法中表现出最稳健和稳定的预测性能。肿瘤负荷和血管侵犯指标（肿瘤数量、大小、PVTT）被确定为最重要的预后因素。这强调了即使在免疫放疗时代，侵袭性的肿瘤生物学仍然是影响生存的核心。本研究凸显了AI作为传统生存分析补充工具的价值。机器学习方法能够建模复杂的非线性关系，实现更灵活的个体化风险预测。从临床角度看，RSF模型可作为风险分层的决策支持工具，有助于识别可能从激进联合治疗中获益的高危患者，优化治疗策略。
然而，本研究也存在一些局限性。首先，作为回顾性观察研究，尽管使用了IPTW，仍可能存在残余混杂和选择偏倚。其次，样本量相对有限，且所有患者均来自中国机构，可能限制研究结果的普适性。第三，预后模型主要基于临床变量，整合影像组学特征、分子生物标志物和免疫相关参数可能进一步提升预测准确性和生物学可解释性。最后，模型尚未进行外部验证，其稳健性和临床效用需要在独立队列和前瞻性研究中得到确认。
结论
对于接受免疫治疗联合靶向治疗的BCLC C期HCC患者，放疗的使用与生存改善相关。基于人工智能的预后建模，特别是使用随机生存森林（RSF）算法，提供了稳定可靠的个体化生存预测。将人工智能与免疫放疗相结合，代表了推进精准医学、优化晚期肝细胞癌患者治疗策略的一个有前景的方向。
