Płeciowo-specyficzne modele uczenia maszynowego do przewidywania odległych przerzutów w raku wątroby (GENDER-HCC-MET)

Projekt badania i cel:

Było to retrospektywne, populacyjne badanie kohortowe wykorzystujące dane z bazy danych Surveillance, Epidemiology, and End Results (SEER). Głównym celem było systematyczne porównanie częstości występowania oraz zidentyfikowanie specyficznych dla płci determinant przerzutów odległych u pacjentów z rakiem wątrobowokomórkowym (HCC). Celem dodatkowym było opracowanie i walidacja oddzielnych, wysokowydajnych modeli predykcyjnych uczenia maszynowego (ML) dla ryzyka przerzutów odległych, dostosowanych do pacjentów płci męskiej i żeńskiej.

Źródło danych i uczestnicy:

Dane zostały wyodrębnione z 22 rejestrów SEER obejmujących pacjentów z rozpoznaniem HCC w latach 2004-2022. Warunkiem włączenia było patologiczne rozpoznanie HCC. Główne kryteria wykluczenia obejmowały: brak danych dotyczących rasy, stanu cywilnego, stopnia złośliwości guza lub statusu chirurgicznego; nowotwór złośliwy niebędący pierwotnym; oraz niekompletne dane dotyczące klasyfikacji TNM. Po zastosowaniu kryteriów do ostatecznej analizy włączono 19 019 pacjentów (14 575 mężczyzn, 4 444 kobiety).

Zmienne i definicje:

Zmienną wynikową był status przerzutów odległych w momencie rozpoznania, podzielony na M0 (brak przerzutów) lub M1 (przerzuty) na podstawie spójnych kryteriów AJCC. Zmienne predykcyjne obejmowały: wiek, płeć, rasę, stopień złośliwości guza, stan cywilny, leczenie chirurgiczne (skategoryzowane jako brak operacji, terapia miejscowa, resekcja chirurgiczna lub przeszczep wątroby), radioterapię, chemioterapię, roczny dochód gospodarstwa domowego oraz lokalizację zamieszkania (w oparciu o wielkość populacji). Aby zapewnić porównywalność między różnymi wydaniami podręcznika klasyfikacji AJCC, stopień T zgrupowano jako T0-2 (lokalny) vs. T3-4 (miejscowo zaawansowany), a stopień N jako N0 vs. N1.

Analiza statystyczna i uczenia maszynowego:

Przeprowadzono jednoczynnikowe i wieloczynnikowe analizy regresji logistycznej w celu identyfikacji czynników niezależnie związanych z przerzutami odległymi, z podziałem na płeć.

Do modelowania predykcyjnego zbiór danych został losowo podzielony na zbiór treningowy (80%) i wewnętrzny zbiór testowy (20%). Opracowano i porównano osiem algorytmów uczenia maszynowego: regresję logistyczną, las losowy, XGBoost, LightGBM, AdaBoost, drzewo decyzyjne, gradientowe drzewo decyzyjne (GBDT) oraz wielowarstwowy perceptron. Hiperparametry modeli zostały zoptymalizowane przy użyciu 10-krotnej walidacji krzyżowej na zbiorze treningowym. Ostateczne modele oceniono na niezależnym zbiorze testowym. Wydajność modeli oceniano za pomocą pola pod krzywą ROC (AUC), dokładności, czułości, swoistości, miary F1, krzywych kalibracyjnych oraz analizy krzywej decyzyjnej (DCA). Interpretowalność najlepszego modelu została zwiększona przy użyciu metody Shapley Additive Explanations (SHAP).