<div></div><p> 今天的小编解读是2020年发表在Hepatology international（IF=6.047）<font color="#f9963b">（该杂志主要关注新兴技术、尖端科学以及肝脏和胆道疾病的进展，偏重的研究方向包括肝癌、放疗、手术等）</font>杂志上的文章《Machine learning‑based development and validation of a scoring system for progression‑free survival in liver cancer》。文章旨在探讨影响HCC（hepatocellular carcinoma，肝细胞癌）患者PFS（progression-free survival，肿瘤无恶化存活期）的预后因素，并建立个体化预测模型。</p><p><img src="https://files.xsmartanalysis.com/article/images/2753e9b47f1511ec91f900163e132610.jpg" style="max-width:100%;" contenteditable="false"/></p><hr/><p><br/></p><section><section><p><strong>01</strong> <b>研究资料和方法</b></p></section></section><section><section><section><section><section><section><section><section><section></section></section></section></section><section><section><section><section></section></section></section></section></section></section></section></section></section><section><p><strong>一、研究对象：</strong></p><p>回顾性纳入2008年1月至2016年12月在首都医科大学北京地坛医院住院的2890例HBV相关原发性肝癌患者。本研究经北京地坛医院伦理委员会批准。</p><p><strong>纳入标准：</strong></p><p>（1）诊断为原发性肝癌的患者；</p><p>（2）年龄18-75岁；</p><p>（3）持续HBsAg阳性>6个月。最终筛选出2117名患者，随机的将其中70%纳入训练队列(n=1480)，30%纳入验证队列(n=637)。</p><p><br/></p><p><strong>二、随访和终点：</strong></p><p>3个月接受一次CT、MRI、超声或血清AFP检查。当患者血清AFP水平升高或超声发现新的肝内结节时，采用动态CT或MRI判断HCC是否有进展。进展的解除符合mRECIST标准。血管转移或肝外融合的发生也被认为是进展。无进展生存期改为从基线到进展或死亡的时间，以前者为准。</p><p><br/></p><p><strong>三、统计方法：</strong></p><p>构建基于HCC相关因素的ANNs模型，将模型与以下预后模型：TNM，BCLC，Okuda、CLIP，CUPI，JIS、ALBI评分进行比较。采用一致性指数（C-index）对模型的识别程度进行了检验。为了检验模型的校准程度，采用了Hosmer-Lemeshow测试，并绘制了校准曲线。采用决策曲线分析(DCA)比较了该模型与上述模型的临床净效益和性能改善。</p><hr/><p><br/></p></section><section><section><p><strong>02</strong> <b>研究结果</b></p></section></section><section><section><section><section><section><section><section><section><section></section></section></section></section><section><section><section><section></section></section></section></section></section></section></section></section></section><section><p><strong>1.基线</strong></p><p>在训练组中，434例（29.3%）患者在1年内发生疾病进展，其中174例（40.1%）患者在1年内死亡，310例（71.4%）患者在疾病进展后3年内死亡。在784例1年无进展生存患者中，只有173例（22.1%）在3年内死亡。</p><p>在验证组中，181例（28.4%）患者在1年内出现疾病进展，其中93例（51.4%）患者在1年内死亡，134例（74.0%）患者在疾病进展后3年内死亡。在327例1年无进展生存的患者中，只有82例（25.1%）在3年内死亡。</p></section><section><p><br/></p></section><section><section><section><section><section><section></section></section></section></section><section><section><section><section></section></section></section></section><section><section><section><section></section></section></section></section></section></section><section><p><br/></p><p><strong>2.生存分析</strong></p><p>对于整个研究人群，中位生存时间为26.2m（95%CI：24.08–28.32）；1年PFS率为52.3%；1年、3年和5年的生存率分别为66.4%、45.1%和26.6%。</p><p>训练组的中位生存时间为27.20m（95%CI：24.48–29.92）；1年的PFS率为52.8%；1年、3年和5年的OS率分别为66.3%、46.3%和26.5%。</p><p>验证组的中位生存时间为24.53m（95%CI：21.52–27.55）；1年的PFS率为51.3%；1年、3年和5年的OS率分别为66.7%、47.3%和26.8%。</p></section><section><section></section></section><section><p><img src="https://files.xsmartanalysis.com/article/images/60c3531a7f1511ec91f900163e132610.png" style="max-width:100%;" contenteditable="false"/></p></section><section><section><section><section><section><section></section></section></section></section><section><section><section><section></section></section></section></section><section><section><section><section></section></section></section></section></section></section><section><p><br/></p></section><section><p><strong>3.构建诊断模型</strong></p><p>研究先利用单COX单因素、多因素分析，计算各个指标的HR，研究发现吸烟史、肿瘤大小、肿瘤数量、门静脉癌栓、白细胞、NLR、γ-GGT、ALP和AFP≥400纳克/毫升指标是HCC患者1年PFS的危险因素，ALB和CD4 T细胞计数是保护因素，最终将这些指标纳入ANNs人工智能模型中。<font color="#f9963b">构建的人工神经网络结构如下图所示。</font></p></section><section><section></section></section><section><p><img src="https://files.xsmartanalysis.com/article/images/6fd94aee7f1511ecace500163e132610.png" style="max-width:100%;" contenteditable="false"/></p></section><section><p><font color="#f9963b">作者还基于该模型构建了在线HCC患者1年PFS计算器。</font></p><p><strong>模型链接：</strong></p><p>https://lixuan.me/annmodel/myg-v3/</p></section><section><section></section></section><section><p><img src="https://files.xsmartanalysis.com/article/images/7ede81087f1511ecace500163e132610.png" style="max-width:100%;" contenteditable="false"/></p></section><section><section><section><section><section><section></section></section></section></section><section><section><section><section></section></section></section></section><section><section><section><section></section></section></section></section></section></section><section><p><br/></p></section><section><p><strong>4.模型校准曲线以及决策曲线</strong></p><p>训练队列中HCC患者1年PFS和1年OS的ROC曲线下面积分别为<font color="#f9963b">0.866(95%CI0.848–0.884)和0.877(95%CI0.858–0.895)</font>；C-index值分别为0.782(95%CI0.767–0.797)和0.824(95%CI0.808–0.840)。</p><p>ANNs模型的AUROC值和c指数值均高于BCLC、TNM、Okuda、CUPI、CLIP、JIS、ALBI、MELD和MELD-Na模型(p<0.0001)。</p><p>在验证队列中，HCC患者的1年PFS和1年OS中，AUROC分别为<font color="#f9963b">0.730(95%CI0.690–0.770)和0.804(95%CI0.765–0.843)。</font></p></section><section><section></section></section><section><p><img src="https://files.xsmartanalysis.com/article/images/b13ee46c7f1511ec91f900163e132610.png" style="max-width:100%;" contenteditable="false"/></p></section><section><p>比较模型的校准曲线以及决策曲线，发现ANNs模型相较于其它模型预后评估性能均有所改善，说明该模型比其他模型具有更好的临床实用性。</p></section><section><section></section></section><section><p><img src="https://files.xsmartanalysis.com/article/images/b73bfbe87f1511ecace500163e132610.png" style="max-width:100%;" contenteditable="false"/></p></section><section><section><section><section><section><section></section></section></section></section><section><section><section><section></section></section></section></section><section><section><section><section></section></section></section></section></section></section><section><p><br/></p></section><section><p><strong>5.应用模型进行风险分层</strong></p><p>根据ANNs模型评分的上四分位数和下四分位数将所有患者分为三层：<font color="#f9963b">层1：低风险，层2：中风险，层3：高风险。</font></p><p>在训练队列中，以层1为参考，层2和层3的PFS的危险比(HRs)分别为5.25（95%CI3.73–7.38）和26.42（95%CI18.74–37.25)(p<0.0001）；层2和层3的OSHRs分别为2.60（95%CI2.12–3.17）和11.26（95%CI9.11–13.93）（p<0.0001）。</p><p>人工神经网络模型可以根据不同的PFS风险清楚地区分所有患者，无论是训练队列还是验证队列。</p><p><br/></p></section><section><section></section></section><section><p><img src="https://files.xsmartanalysis.com/article/images/c4f8d8007f1511ec85a400163e132610.png" style="max-width:100%;" contenteditable="false"/></p></section><section><section><section><section><section><section><section><section><section></section></section></section></section><section><section><section><section></section></section></section></section><section><section><section><section></section></section></section></section></section></section></section></section></section><section><section><section><section><section><section></section></section></section></section><section><section><section><section></section></section></section></section></section></section><section><section><section><section><section><section><section><section></section></section></section></section><section><section><section><section></section></section></section></section><section><section><section><section></section></section></section></section></section></section></section></section><section><p><br/></p></section><section><section><p><strong>03</strong> <b>总结</b></p></section></section><section><section><section><section><section><section><section><section><section></section></section></section></section><section><section><section><section></section></section></section></section></section></section></section></section></section><section><p><strong>一、讨论</strong></p><p>结果表明，<font color="#f9963b">人工神经网络模型系统在预测HCC的PFS方面优于其他评分系统。</font>人工神经网络模型可以从每个数据中学习，并通过改变神经元中连接的权重，将每个输入与相应的输出连接起来。</p><p>当与逻辑回归模型或cox回归模型进行比较，人工神经网络模型是一个非线性模型。通过反复训练与结果相关的因素，以获得最佳的预测模型，使神经网络模型具有较高的预测精度。</p></section><section><p><br/></p></section><section><section><section><section><section><section></section></section></section></section><section><section><section><section></section></section></section></section><section><section><section><section></section></section></section></section></section></section><section><p><br/></p><p><strong>二、局限性</strong></p><p>1.这是一项回顾性单中心研究，不可避免地存在选择偏倚。<font color="#f9963b">但本研究具有临床资料完整、样本量大的优点。</font>结合人工智能神经网络的深度学习和训练，人工神经网络模型对PFS的预测能力大大提高。</p><p>2.HCC在中国主要与HBV有关。与其他地区由HCV或酒精性肝脏引起的HCC相比，中国的HCC患者可能表现出不同的肿瘤特征，如肿瘤负荷较小等<font color="#f9963b">。因此，有必要在不同区域进行大规模的外部验证。</font></p><p><br/></p></section><section><section><section><section><section><section></section></section></section></section><section><section><section><section></section></section></section></section><section><section><section><section></section></section></section></section></section></section><section><p><br/></p></section><section><p><strong>三、小编点评</strong></p><p>本文为非常完整的描述了构建基于人工神经网络模型的肝癌无进展生存预测模型的过程，对建模过程中训练集、验证集的基线以及各个数据集上的模型评价指标都进行了详细的计算以及展示。</p><p>最难能可贵的是作者参考了非常多的肝癌预后模型，例如 BCLC , Okuda , CLIP, CUPI, JIS ,ALBI评分等，同时结合自己的数据对每个模型进行了建模和比较，最终发现ANNs是目前最好的模型。整体思路非常值得大家用于论文写作以及课题申报的参考和借鉴。</p><p>2022年度国自然申报已开始申报，2021年国自然申报中首次在医学部“面上项目专项”设立了“源于临床实践的科学问题探索研究”专项，今年如果有小伙伴申报这个方向的国自然可以和我们取得联系，共同合作申报。<br/></p><p><strong>文章链接：</strong></p><p>https://link.springer.com/article/10.1007/s12072-020-10046-w</p><p><br/></p></section><section><section><section><section><section><section><section><section><section></section></section></section></section><section><section><section><section></section></section></section></section><section><section><section><section></section></section></section></section></section></section></section></section></section><section><section><section><section><section><section></section></section></section></section><section><section><section><section></section></section></section></section></section></section><section><section><section><section><section><section><section><section></section></section></section></section><section><section><section><section></section></section></section></section><section><section><section><section></section></section></section></section></section></section></section></section><section><hr/><p><br/></p></section><section><section><p><strong>04</strong> <b>平台介绍</b></p></section></section><section><section><section><section><section><section><section><section><section></section></section></section></section><section><section><section><section></section></section></section></section></section></section></section></section></section><section><p>针对临床研究人员的一站式医学统计分析平台——极智分析将能帮到您。<font color="#f9963b">提供数据治理、数据统计、机器学习分析、智能文章生成服务。</font></p><p><strong>1.生存分析：</strong>绘制Kaplan-Meier生存曲线观察多组生存曲线差异，自动调用Log Rank法比较组间患者的生存曲线是否有差异，同时分析会给出不同时间段的生存状态表格。</p></section><section><section></section></section><section><p><img src="https://files.xsmartanalysis.com/article/images/f636d3727f1511ec91f900163e132610.png" style="max-width:100%;" contenteditable="false"/></p></section><section><section><p><strong>2.预测模型构建：</strong>平台有10种机器学习方法，建模过程能够自动对研究者提供的数据进行了训练/验证/测试集的分割，自动展示模型相关预测效能，同时可以调整参数避免模型过拟合。</p></section></section><section><section></section></section><section><p><img src="https://files.xsmartanalysis.com/article/images/ff4bcf267f1511ecbab100163e132610.png" style="max-width:100%;" contenteditable="false"/></p></section><section><p><strong>3.分层分析：</strong>平台可以设置多个分层变量，以及调整变量，同时分析会自动绘制森林图，观察自变量在不同分层下的情况。</p><p><img src="https://files.xsmartanalysis.com/article/images/0bee4a1a7f1611ec91f900163e132610.png" style="max-width:100%;" contenteditable="false"/></p><p><br/></p></section><section><section></section></section>
