Sex-Specific Machine Learning Models to Predict Distant Metastasis in Liver Cancer (GENDER-HCC-MET)

Studijní design a cíl:

Tato retrospektivní populační kohortová studie využívala data z databáze Surveillance, Epidemiology, and End Results (SEER). Primárním cílem bylo systematicky porovnat incidenci a identifikovat pohlavně specifické determinanty vzdálených metastáz u pacientů s hepatocelulárním karcinomem (HCC). Sekundárním cílem bylo vyvinout a validovat samostatné vysoce výkonné prediktivní modely strojového učení (ML) pro riziko vzdálených metastáz přizpůsobené mužským a ženským pacientům.

Zdroj dat a účastníci:

Data byla extrahována z 22 registrů SEER pokrývajících pacienty diagnostikované s HCC mezi lety 2004 a 2022. Pro zařazení byla vyžadována patologická diagnóza HCC. Klíčová vylučovací kritéria byla: chybějící údaje o rase, rodinném stavu, stupni nádoru nebo chirurgickém stavu; ne-první primární malignita; a neúplná data TNM stagingu. Po aplikaci kritérií bylo do konečné analýzy zařazeno 19 019 pacientů (14 575 mužů, 4 444 žen).

Proměnné a definice:

Výsledná proměnná byl stav vzdálených metastáz při diagnóze, dichotomizovaný jako M0 (bez metastáz) nebo M1 (metastázy) na základě konzistentních kritérií AJCC. Prediktorové proměnné zahrnovaly: věk, pohlaví, rasa, stupeň nádoru, rodinný stav, chirurgická léčba (kategorizovaná jako ne-chirurgie, lokální terapie, chirurgická resekce nebo transplantace jater), radioterapie, chemoterapie, roční příjem domácnosti a místo bydliště (na základě velikosti populace). Pro zajištění srovnatelnosti mezi různými edicemi manuálu AJCC stagingu byla T fáze seskupena jako T0-2 (lokalizovaná) vs. T3-4 (lokálně pokročilá) a N fáze jako N0 vs. N1.

Statistická a strojová analýza:

Byly provedeny univariační a multivariační logistické regresní analýzy k identifikaci faktorů nezávisle asociovaných se vzdálenými metastázemi, stratifikovaných podle pohlaví. Pro prediktivní modelování byl datový soubor náhodně rozdělen na trénovací soubor (80 %) a interní testovací soubor (20 %). Bylo vyvinuto a porovnáno osm algoritmů strojového učení: Logistická regrese, Random Forest, XGBoost, LightGBM, AdaBoost, Decision Tree, Gradient Boosting Decision Tree (GBDT) a Multilayer Perceptron. Hyperparametry modelů byly optimalizovány pomocí 10-násobné křížové validace na trénovacím souboru. Konečné modely byly vyhodnoceny na nezávislém testovacím souboru. Výkonnost modelů byla hodnocena pomocí plochy pod křivkou ROC (AUC), přesnosti, senzitivity, specificity, F1 skóre, kalibračních křivek a analýzy rozhodovací křivky (DCA). Interpretovatelnost nejlépe fungujícího modelu byla zvýšena pomocí Shapley Additive Explanations (SHAP).