首页 > 文章详情

基于AI的机器学习模型预测接受免疫放疗晚期肝细胞癌患者总生存期的性能研究

12月25日

整理：肿瘤资讯

来源：肿瘤资讯

原发性肝癌是全球范围内导致癌症相关死亡的主要原因之一，其中肝细胞癌（HCC）占据了绝大多数比例。尽管随着筛查手段的普及和治疗技术的进步，部分患者得以在早期确诊并接受根治性治疗，但仍有相当比例的患者在初诊时已处于晚期，错失了手术切除或肝移植的最佳时机。对于这部分不可切除的晚期HCC患者，系统性治疗和局部治疗构成了其生存获益的基石。近年来，随着免疫检查点抑制剂（ICIs）与抗血管生成靶向药物联合应用的兴起，晚期HCC的治疗格局发生了革命性的变化，这一联合方案已在多个III期临床试验中展现出优于传统单药治疗的生存优势。然而，临床实践中观察到的疗效异质性依然显著，原发性耐药、继发性耐药以及免疫相关不良反应的存在，使得如何精准筛选获益人群、优化联合治疗策略成为亟待解决的临床难题。近期发表于 Frontiers in Pharmacology 的一项研究，通过多中心回顾性队列分析与先进的人工智能（AI）算法筛选，揭示了放射治疗(RT）在免疫联合靶向治疗中的增效作用，并成功构建了基于机器学习的预后预测模型。【肿瘤资讯】特整理该研究精华，以飨读者。

研究背景

在免疫治疗时代，放疗的角色正在被重新定义。现代高精度放疗技术，如立体定向体部放疗（SBRT）和调强放疗（IMRT），不仅能够对伴有血管侵犯或不可切除的局部病灶实施有效控制，更被证实具有深远的免疫调节效应。临床前及临床研究表明，放疗能够促进肿瘤抗原释放，增强树突状细胞的抗原提呈功能，并促进效应T细胞向肿瘤微环境的浸润，从而在理论上为与ICIs的联合应用提供了协同增效的生物学基础。然而，这种“免疫+靶向+放疗”的三联模式究竟能带来多大的生存获益，以及如何通过临床特征精准预测患者预后，尚缺乏基于大样本数据的系统性评估。

与此同时，人工智能技术在肿瘤学领域的应用日益广泛。传统的统计学模型在处理高维、异质性数据及捕捉非线性关系方面存在局限，而基于机器学习的AI算法能够整合多模态数据，挖掘潜在的复杂关联，从而实现更精准的风险分层。本研究旨在通过多中心回顾性队列，评估放疗联合免疫及靶向治疗的临床疗效，并筛选最佳机器学习算法以构建总生存期（OS）预测模型。

研究方法

本研究共纳入了来自三家三甲医院的175例晚期HCC患者。所有患者均接受了免疫检查点抑制剂联合抗血管生成靶向药物的系统性治疗，根据是否接受同步或序贯放射治疗，将患者分为放疗组（RT组，n=115）和非放疗组（Non-RT组，n=60）。入组标准严格限定为BCLC B期或C期、Child-Pugh A或B级肝功能的患者。为了消除基线特征的不平衡对疗效评估的干扰，研究者采用了1:1倾向性评分匹配（PSM）方法，匹配变量涵盖了性别、年龄、肝功能分级、AFP水平、肿瘤分期及负荷等关键预后因素。

在模型构建阶段，研究者将患者按6:4的比例随机分为训练集（n=105）和验证集（n=70）。首先在训练集中通过单因素分析筛选出具有统计学意义的预后因子，随后将这些因子纳入包含101种不同算法组合的机器学习框架中进行训练。模型性能的评估指标包括一致性指数（C-index）、受试者工作特征曲线（ROC）下面积（AUC）以及风险分层能力。

研究结果

放射治疗显著改善晚期HCC患者的OS

在临床疗效方面，研究结果显示放疗的加入显著延长了患者的生存期。在PSM前的原始队列中，RT组的中位总生存期（mOS）达到15.4个月（95% CI: 11.7-23.5），显著优于Non-RT组的8.5个月（95% CI: 6.4-13.6），差异具有显著统计学意义（P=0.003）（图1）。经过严格的倾向性评分匹配后，两组基线特征达到均衡，RT组的生存优势依然稳健，mOS延长至17.1个月，而Non-RT组仍为8.5个月（P=0.0054）。这一结果有力地支持了在免疫联合靶向治疗的基础上联合放疗，能够为晚期HCC患者带来实质性的生存获益。

图片1.png

图1. OS的Kaplan-Meier曲线

机器学习模型的筛选与构建

在预后模型的构建中，单因素分析识别出Child-Pugh分级、BCLC分期、肿瘤大小以及治疗模式（是否接受放疗）为影响OS的关键独立预后因子（图2）。随后，通过对101种机器学习算法的系统筛选与比对，研究发现StepCox (forward) + Ridge模型展现出了最优的预测性能。该最佳模型在训练集中的C-index为0.68，在验证集中为0.65，显示出良好的预测一致性（图3）。

图片2.png

图2. 训练队列和验证队列中101种机器学习模型的一致性指数（C-index）

图片4.png

图3： StepCox (forward)+Ridge 模型表现出最佳的预测性能

风险分层的临床价值验证

基于该模型计算出的风险评分，研究者将患者划分为高风险组和低风险组。生存分析显示，无论是在训练集还是验证集中，低风险组患者的生存预后均显著优于高风险组（训练集 HR=2.12, P<0.001；验证集 HR=1.75, P=0.038），验证了该模型在风险分层方面的临床实用价值（图4）。

进一步的时间依赖性ROC分析表明，该模型在预测患者1年、2年及3年生存率方面均表现出较高的准确性，训练集的AUC值分别为0.72、0.75和0.74，验证集相应的AUC值分别为0.72、0.75和0.73。

图片3.png

图4. 利用StepCox (forward) + Ridge模型计算患者风险评分，并根据中位风险评分将患者分为高风险组和低风险组，绘制Kaplan-Meier生存曲线。

结论

综上所述，这项多中心回顾性研究提供了强有力的证据，支持在晚期肝细胞癌患者中，于免疫联合靶向治疗的基础上引入放射治疗，以显著改善患者的总生存期。更为重要的是，研究团队成功构建并验证了一种基于StepCox (forward) + Ridge算法的AI预后预测模型。该模型整合了Child-Pugh分级、BCLC分期、肿瘤大小及治疗方式这四个具有明确临床病理生理学意义的变量，具有良好的预测准确性和风险分层能力。这一工具的开发，不仅为临床医生识别放疗获益优势人群提供了量化依据，也为制定个体化的综合治疗决策提供了智能化的辅助手段。低风险患者可预期从“三联”治疗中获得持久的生存获益，而高风险患者则可能需要更密切的监测或探索新型治疗策略。未来，随着前瞻性研究的开展及更多组学数据的整合，这一AI模型有望在晚期HCC的精准诊疗中发挥更大的作用。

参考文献

Feng X, Wang X, Luo S, Zhou J and Ke S (2025) Performance of AI-based machine learning models for overall survival prediction in advanced hepatocellular carcinoma patients receiving immunoradiotherapy. Front. Pharmacol. 16:1719479. doi: 10.3389/fphar.2025.1719479

审批编号：CN-175104

过期日期：2026-12-17

声明：本材料由阿斯利康提供支持，仅供医疗卫生专业人士参考

责任编辑：肿瘤资讯-Skye
排版编辑：肿瘤资讯-Sally