首页 > 文章详情

2026 WCLC 中国之声 | 基于可解释性机器学习模型预测NSCLC新辅助化疗联合免疫治疗相关高级别不良事件：一项多中心研究

08月20日

编译：肿瘤资讯

来源：肿瘤资讯

Session Type

Oral

Session Title

OA11 Circulating and AI-Driven Biomarkers in Lung Cancer

摘要号

OA11.04

英文标题

Explainable Machine Learning Model to Predict High-Grade Adverse Events in Neoadjuvant Chemo-Immunotherapy for NSCLC: A Multicenter Study

中文标题

基于可解释性机器学习模型预测NSCLC新辅助化疗联合免疫治疗相关高级别不良事件：一项多中心研究

讲者

Fei-Hang Zhi

讲者机构

Shanghai Pulmonary Hospital, School of Medicine, Tongji University, Shanghai/CN

背景

可切除非小细胞肺癌（NSCLC）接受新辅助化疗联合免疫治疗后，≥3级治疗相关不良事件（TRAEs）的发生率较高，但目前用于预测此类高危事件的工具仍较有限。本研究旨在开发并验证一种可解释性机器学习（ML）框架，以提前识别高风险患者，为个体化治疗管理提供依据。

方法

本研究为一项大规模多中心研究，纳入上海市肺科医院发现队列823例患者，并按7:3比例划分为训练集和测试集；另纳入上海长海医院和宁波市第二医院124例患者组成独立外部验证队列。特征筛选结合单因素、多因素分析及方差膨胀因子（VIF）进行。研究比较了13种ML算法，并采用受试者工作特征曲线下面积（AUC）和决策曲线分析（DCA）评价模型性能。采用SHAP（SHapley Additive exPlanations）分析量化各特征对模型预测结果的贡献（图1）。

结果

研究队列中，≥3级TRAEs发生率为46.14%。发生高级别TRAEs（≥3级）的患者主要病理缓解（MPR）率显著更高，发现队列和验证队列的差异分别具有统计学意义（p=0.005和p=0.030），提示TRAEs严重程度可能与治疗应答存在一定关联。
在各ML模型中，CATBoost模型表现最佳，测试集AUC为0.795，外部验证队列AUC为0.824。SHAP分析显示，标准剂量强度和较低的基线中性粒细胞绝对计数（ANC）是预测高级别TRAEs最重要的因素。除上述主要预测因素外，高风险特征还包括较低的红细胞（RBC）、血钾和血钙水平，以及鳞癌组织学类型、较晚的淋巴结转移分期和较多的治疗周期（图2）。

结论

本研究建立了一种稳健且具有可解释性的ML框架，可用于识别新辅助治疗期间发生高级别不良事件风险较高的NSCLC患者。通过识别以基线血液学指标和电解质异常等为特征的高风险人群，该工具有望辅助实施个体化干预，包括治疗前生理状态优化、加强监测及主动调整剂量，从而进一步优化NSCLC新辅助化疗联合免疫治疗的风险获益平衡。