背景

非小细胞肺癌是全世界最常见的肺癌类型，通常采用手术切除，然后进行化疗和放疗进行治疗。尽管NSCLC手术后患者的预后是根据TNM分类的肿瘤分期来确定的，但这种预后并不总是与实际情况相符。因此，仍然迫切需要更好的预后工具来准确预测患者的预后并制定更好的治疗策略。

已确定与 NSCLC 相关的术后预后的多种预后因素，包括老年营养风险指数、格拉斯哥预后评分、中性粒细胞/淋巴细胞比值、C 反应蛋白 (CRP)/白蛋白比值、预后营养指数、血小板/淋巴细胞比值和单核细胞/淋巴细胞比率。迄今为止，很少有研究描述血液检测结果在 NSCLC 预后中的重要性。

先前的研究强调了人工智能在医学中的重要性，最近人工智能在肺癌早期诊断中的应用就证明了这一点。还开发了基于人工智能的模型来预测化疗的治疗效果。

关于该研究

当前的研究讨论了使用机器学习 (ML) 开发 NSCLC 的 AI 预后模型。该模型使用术前和术后血液检测结果进行预测。

该研究共招募了 1,049 名在 2003 年 1 月至 2016 年 12 月期间接受手术的病理分期（p 期）I-IIIA NSCLC 患者。手术参与者的中位年龄为 69 岁，其中约 58% 为男性。

患者的临床信息和随访数据通过电子健康记录系统获得。考虑的一些临床病理学特征包括手术时年龄、体重指数 (BMI)、性别、吸烟史、用力肺活量 (FVC)、一秒用力呼气量 (FEV1.0)、手术方式、组织学类型和辅助治疗化疗。

评估术前和术后的血液检测数据。还分析了术前三个月的癌胚抗原(CEA) 和细胞角蛋白 19 片段 (CYFRA) 数据。

XGBoost，一种无决策模型，被选为该人工智能预测模型的算法。与其他人工智能工具相比，XGBoost 具有优势，因为它能够直接使用缺失值作为信息。

研究结果

大多数研究参与者接受了肺叶切除术，然后进行了楔形切除术、肺段切除术、双肺叶切除术和全肺切除术。此外，大多数患者被诊断为 p-IA 期 NSCLC。

Kaplan-Meier 曲线提供了整个队列的无病生存 (DFS)、总生存 (OS) 和癌症特异性生存 (CSS) 率以及根据 p 阶段的信息。5.06年后，OS、DFS和CSS事件的数量分别为214、214和123。

新开发的 AI 预后模型使用时间相关的受试者工作特征 (ROC) 曲线和曲线下面积 (AUC) 值来预测 DFS、OS 和 CSS，所有这些都与良好的预测精度相关。值得注意的是，手术后五年结果事件的预测概率非常准确。

五年 DFS、OS 和 CSS 的预测准确性分别由 AUC 值 0.890、0.926 和 0.960 反映。该预测精度与之前模型的精度水平相当。

组织学分析显示81.5%的患者与类癌相关。然而，还检测到许多其他组织学类型，包括鳞状细胞癌、微乳头状/实性为主的腺癌、鳞屑状为主的腺癌、腺泡/乳头状为主的腺癌以及不同比例的大细胞神经内分泌癌。

在此 AI 模型中发现组织学类型是预后最重要的因素之一。与其他组织学类型相比，腺鳞癌、多形性癌和大细胞神经内分泌癌的预后最差。因此，对组织学类型进行更详细的分析将提高预后的准确性。

CEA、CYFRA、凝血相关因子和免疫营养指数对患者预后有显着影响。有趣的是，反映肝肾功能的因素，包括肌酐、尿素氮和天冬氨酸转氨酶，也有助于NSCLC的预后。

结论

目前的研究有一些局限性，包括考虑来自单一机构的参与者。未来，需要利用不同机构多个队列的数据进行类似的研究来验证这些发现。

这项研究的另一个局限性是 XGBoost 模型中使用的公式很难验证。然而，进行了引导验证以确认其预测准确性。

尽管存在这些局限性，当前的研究表明，利用大量血液检测结果是准确预测 NSCLC 的一种有前途的方法。新开发的人工智能预后模型与手术切除的非小细胞肺癌术后预后的良好预测准确性相关。