基于机器学习算法构建胸段食管鳞癌患者化疗联合免疫治疗反应预测模型的研究

陈金城; 张小勤; 刘杰; 李童心; 吴毅; 何萍; 吴蔚

doi:10.16016/j.2097-0927.202412113

您当前的位置：

首页 >

文章列表页 >

基于机器学习算法构建胸段食管鳞癌患者化疗联合免疫治疗反应预测模型的研究

临床医学 | 更新时间：2025-03-28

- 基于机器学习算法构建胸段食管鳞癌患者化疗联合免疫治疗反应预测模型的研究
- Development of a prediction model for chemotherapy and immunotherapy response in esophageal squamous cell carcinoma patients using machine learning algorithms
- 陆军军医大学学报 2025年47卷第6期页码：591-601
- 作者机构：
  
  1.陆军军医大学（第三军医大学）第一附属医院：胸外科
  2.陆军军医大学（第三军医大学）生物医学工程与医学影像学院数字医学教研室，重庆
  3.陆军军医大学（第三军医大学）第一附属医院：心脏外科，重庆
- 作者简介：
  
  何萍， E-mail： hp@tmmu.edu.cn
  吴蔚， E-mail： ww@tmmu.edu.cn
- 基金信息：
  
  重庆市科卫联合医学科研项目(2022ZDXM018)
- DOI：10.16016/j.2097-0927.202412113
  中图分类号： R319;R730.5;R735.1
- 收稿日期：2024-12-24，
  
  修回日期：2025-01-19，
  
  纸质出版日期：2025-03-30
- 稿件说明：
移动端阅览
金城，张小勤，刘　杰，等.基于机器学习算法构建胸段食管鳞癌患者化疗联合免疫治疗反应预测模型的研究［J］.陆军军医大学学报，2025，47（06）：591-601.DOI：10.16016/j.2097-0927.202412113.

CHEN J C，ZHANG X Q，LIU J，et al.Development of a prediction model for chemotherapy and immunotherapy response in esophageal squamous cell carcinoma patients using machine learning algorithms［J］.J Army Med Univ，2025，47（06）：591-601.DOI：10.16016/j.2097-0927.202412113.
金城，张小勤，刘　杰，等.基于机器学习算法构建胸段食管鳞癌患者化疗联合免疫治疗反应预测模型的研究［J］.陆军军医大学学报，2025，47（06）：591-601.DOI：10.16016/j.2097-0927.202412113. DOI：

CHEN J C，ZHANG X Q，LIU J，et al.Development of a prediction model for chemotherapy and immunotherapy response in esophageal squamous cell carcinoma patients using machine learning algorithms［J］.J Army Med Univ，2025，47（06）：591-601.DOI：10.16016/j.2097-0927.202412113. DOI：

摘要

目的

应用不同机器学习算法构建食管鳞癌患者化疗联合免疫治疗反应预测模型，并筛选出最优模型。

方法

回顾性收集2022年1月至2023年12月在陆军军医大学第一附属医院胸外科住院，行化疗联合免疫治疗的174例食管鳞癌患者，收集患者治疗前的CT及临床信息。采用简单随机抽样法将患者按7︰3比例随机分为训练集（

=122）与测试集（

=52）。提取并筛选CT影像组学特征，使用5种机器学习算法构建影像组学模型和临床-影像组学模型。在训练集中进行5折交叉验证，在测试集中采用受试者工作特征曲线（receiver operating characteristic curve，ROC）、F1分数评估预测模型性能，对于表现最佳模型使用局部可解释模型不可知的解释（local interpretable model-agnostic explanations，LIME）算法进行解释。

结果

174例患者中有115例患者出现临床缓解（66.1%）。从患者临床信息与CT影像中筛选出1个临床特征、10个影像组学特征。基于5种机器学习算法构建的影像组学模型和临床-影像组学模型的最佳ROC曲线下面积（area under of receiver operating characteristic， AUC）分别是0.750（95%

：0.616~0.883）和0.766（95%

：0.647~0.895）。最优临床-影像组学模型的F1分数为0.829。基于LIME算法，最佳模型对实例样本的预测显示出可靠性。

结论

基于机器学习算法构建的临床-影像组学预测模型性能良好，通过预测食管鳞癌患者化疗联合免疫治疗反应，为医生临床决策提供参考。

Abstract

Objective‍　‍To develop models for predicting response to chemotherapy combined with immunotherapy in patients with esophageal squamous carcinoma with various machine learning algorithms

and then select the optimal model. Methods‍　‍A retrospective study was performed for 174 patients with esophageal squamous cell carcinoma undergoing chemotherapy combined with immunotherapy admitted in Department of Thoracic Surgery of the First Affiliated Hospital of Army Medical University from January 2022 to December 2023. The CT scans and clinical information were collected before treatment. They were randomly divided into a training set (

22) and a testing set (

=52) in a ratio of 7∶3. CT radiomic features were extracted and selected

and then 5 machine-learning algorithms were employed to establish the prediction models

including radiomics model and clinical-radiomics model. Five-fold cross-validation was conducted on the training set

and the performance of the prediction models was evaluated on the testing set using receiver operating characteristic (ROC) curve and the F1 score. The best-performing model was further explained using local interpretable model-agnostic explanations (LIME) algorithm. Results‍　‍Among the 174 patients

115 (66.1%) achieved clinical remission. From the clinical information and CT images

1 clinical features and 10 radiomic features were identified. The area under of ROC curve (AUC) for the radiomics and clinical-radiomics models was 0.750 (95%

: 0.616~0.883)

and 0.766 (95%

: 0.637~0.895)

respectively. The F1 score of the optimal clinical-radiomics model was 0.829. LIME algorithm indicated that this best model demonstrated reliability in predicting individual samples. Conclusion‍　‍The clinical-radiomics prediction model based on machine learning algorithm performs well

and can provide a reference for doctors' clinical decision-making by predicting the response to chemotherapy combined with immunotherapy in patients with esophageal squamous cell carcinoma.

关键词

Keywords

references

HAN B F ， ZHENG R S ， ZENG H M ， et al . Cancer incidence and mortality in China， 2022 ［J］. J Natl Cancer Cent ， 2024 ， 4 （ 1 ）： 47 - 53 . DOI： 10.1016/j.jncc.2024.01.006 http://dx.doi.org/10.1016/j.jncc.2024.01.006 .

HE Y T ， LI D J ， SHAN B E ， et al . Incidence and mortality of esophagus cancer in China， 2008 - 2012 ［J］. Chin J Cancer Res ， 2019 ， 31 （ 3 ）： 426 - 434 . DOI： 10.21147/j.issn.1000-9604.2019.03.04 http://dx.doi.org/10.21147/j.issn.1000-9604.2019.03.04 .

SHAH M A ， HOFSTETTER W L ， KENNEDY E B ， et al . Immunotherapy in patients with locally advanced esophageal carcinoma： ASCO treatment of locally advanced esophageal carcinoma guideline rapid recommendation update ［J］. J Clin Oncol ， 2021 ， 39 （ 28 ）： 3182 - 3184 . DOI： 10.1200/JCO.21.01831 http://dx.doi.org/10.1200/JCO.21.01831 .

DAS S ， JOHNSON D B . Immune-related adverse events and anti-tumor efficacy of immune checkpoint inhibitors ［J］. J Immunother Cancer ， 2019 ， 7 （ 1 ）： 306 . DOI： 10.1186/s40425-019-0805-8 http://dx.doi.org/10.1186/s40425-019-0805-8 .

YANG Y N ， ZHANG J F ， MENG H X ， et al . Neoadjuvant camrelizumab combined with paclitaxel and nedaplatin for locally advanced esophageal squamous cell carcinoma： a single-arm phase 2 study （cohort study）［J］. Int J Surg ， 2024 ， 110 （ 3 ）： 1430 - 1440 . DOI： 10.1097/JS9.0000000000000978 http://dx.doi.org/10.1097/JS9.0000000000000978 .

WANG Z X ， CUI C X ， YAO J ， et al . Toripalimab plus chemotherapy in treatment-naïve， advanced esophageal squamous cell carcinoma （JUPITER-06）： a multi-center phase 3 trial ［J］. Cancer Cell ， 2022 ， 40 （ 3 ）： 277 - 288.e3 . DOI： 10.1016/j.ccell.2022.02.007 http://dx.doi.org/10.1016/j.ccell.2022.02.007 .

GILLIES R J ， KINAHAN P E ， HRICAK H . Radiomics： images are more than pictures， they are data ［J］. Radiology ， 2016 ， 278 （ 2 ）： 563 - 577 . DOI： 10.1148/radiol.2015151169 http://dx.doi.org/10.1148/radiol.2015151169 .

TREBESCHI S ， DRAGO S G ， BIRKBAK N J ， et al . Predicting response to cancer immunotherapy using noninvasive radiomic biomarkers ［J］. Ann Oncol ， 2019 ， 30 （ 6 ）： 998 - 1004 . DOI： 10.1093/annonc/mdz108 http://dx.doi.org/10.1093/annonc/mdz108 .

HOSSEINI F ， ASADI F ， EMAMI H ， et al . Machine learning applications for early detection of esophageal cancer： a systematic review ［J］. BMC Med Inform Decis Mak ， 2023 ， 23 （ 1 ）： 124 . DOI： 10.1186/s12911-023-02235-y http://dx.doi.org/10.1186/s12911-023-02235-y .

LI L R ， QIN Z H ， BO J ， et al . Machine learning-based radiomics prognostic model for patients with proximal esophageal cancer after definitive chemoradiotherapy ［J］. Insights Imaging ， 2024 ， 15 （ 1 ）： 284 . DOI： 10.1186/s13244-024-01853-y http://dx.doi.org/10.1186/s13244-024-01853-y .

CUI Y B ， LI Z J ， XIANG M Y ， et al . Machine learning models predict overall survival and progression free survival of non-surgical esophageal cancer patients with chemoradiotherapy based on CT image radiomics signatures ［J］. Radiat Oncol ， 2022 ， 17 （ 1 ）： 212 . DOI： 10.1186/s13014-022-02186-0 http://dx.doi.org/10.1186/s13014-022-02186-0 .

SHI Z W ， ZHANG Z ， LIU Z Y ， et al . Methodological quality of machine learning-based quantitative imaging analysis studies in esophageal cancer： a systematic review of clinical outcome prediction after concurrent chemoradiotherapy ［J］. Eur J Nucl Med Mol Imaging ， 2022 ， 49 （ 8 ）： 2462 - 2481 . DOI： 10.1007/s00259-021-05658-9 http://dx.doi.org/10.1007/s00259-021-05658-9 .

EISENHAUER E A ， THERASSE P ， BOGAERTS J ， et al . New response evaluation criteria in solid tumours： revised RECIST guideline （version 1.1）［J］. Eur J Cancer ， 2009 ， 45 （ 2 ）： 228 - 247 . DOI： 10.1016/j.ejca.2008.10.026 http://dx.doi.org/10.1016/j.ejca.2008.10.026 .

CUI J F ， LI L ， LIU N ， et al . Model integrating CT-based radiomics and genomics for survival prediction in esophageal cancer patients receiving definitive chemoradiotherapy ［J］. Biomark Res ， 2023 ， 11 （ 1 ）： 44 . DOI： 10.1186/s40364-023-00480-x http://dx.doi.org/10.1186/s40364-023-00480-x .

GRAMEGNA A ， GIUDICI P . SHAP and LIME： an evaluation of discriminative power in credit risk ［J］. Front Artif Intell ， 2021 ， 4 ： 752558 . DOI： 10.3389/frai. 2021.752558 http://dx.doi.org/10.3389/frai.2021.752558 .

GE F ， HUO Z Y ， CAI X Y ， et al . Evaluation of clinical and safety outcomes of neoadjuvant immunotherapy combined with chemotherapy for patients with resectable esophageal cancer： a systematic review and meta-analysis ［J］. JAMA Netw Open ， 2022 ， 5 （ 11 ）： e2239778 . DOI： 10.1001/jamanetworkopen.2022.39778 http://dx.doi.org/10.1001/jamanetworkopen.2022.39778 .

LI J Y ， LI L ， YOU P M ， et al . Towards artificial intelligence to multi-omics characterization of tumor heterogeneity in esophageal cancer ［J］. Semin Cancer Biol ， 2023 ， 91 ： 35 - 49 . DOI： 10.1016/j.semcancer.2023.02.009 http://dx.doi.org/10.1016/j.semcancer.2023.02.009 .

WANG J L ， TANG L S ， ZHONG X ， et al . A machine learning radiomics based on enhanced computed tomography to predict neoadjuvant immunotherapy for resectable esophageal squamous cell carcinoma ［J］. Front Immunol ， 2024 ， 15 ： 1405146 . DOI： 10.3389/fimmu.2024.1405146 http://dx.doi.org/10.3389/fimmu.2024.1405146 .

FANG P ， JIANG W ， DAVULURI R ， et al . High lymphocyte count during neoadjuvant chemoradiotherapy is associated with improved pathologic complete response in esophageal cancer ［J］. Radiother Oncol ， 2018 ， 128 （ 3 ）： 584 - 590 . DOI： 10.1016/j.radonc.2018.02.025 http://dx.doi.org/10.1016/j.radonc.2018.02.025 .

FENG J F ， WANG L ， YANG X ， et al . Pretreatment pan-immune-inflammation value （PIV） in predicting therapeutic response and clinical outcomes of neoadjuvant immunochemotherapy for esophageal squamous cell carcinoma ［J］. Ann Surg Oncol ， 2024 ， 31 （ 1 ）： 272 - 283 . DOI： 10.1245/s10434-023-14430-2 http://dx.doi.org/10.1245/s10434-023-14430-2 .

PARK J E ， HAM S ， KIM H S ， et al . Diffusion and perfusion MRI radiomics obtained from deep learning segmentation provides reproducible and comparable diagnostic model to human in post-treatment glioblastoma ［J］. Eur Radiol ， 2021 ， 31 （ 5 ）： 3127 - 3137 . DOI： 10.1007/s00330-020-07414-3 http://dx.doi.org/10.1007/s00330-020-07414-3 .

CHEN Z H ， LIN L ， WU C F ， et al . Artificial intelligence for assisting cancer diagnosis and treatment in the era of precision medicine ［J］. Cancer Commun （Lond）， 2021 ， 41 （ 11 ）： 1100 - 1115 . DOI： 10.1002/cac2.12215 http://dx.doi.org/10.1002/cac2.12215 .

HU Y H ， XIE C Y ， YANG H ， et al . Computed tomography-based deep-learning prediction of neoadjuvant chemoradiotherapy treatment response in esophageal squamous cell carcinoma ［J］. Radiother Oncol ， 2021 ， 154 ： 6 - 13 . DOI： 10.1016/j.radonc.2020.09.014 http://dx.doi.org/10.1016/j.radonc.2020.09.014 .

WANG J ， ZHU X ， ZENG J ， et al . Using clinical and radiomic feature-based machine learning models to predict pathological complete response in patients with esophageal squamous cell carcinoma receiving neoadjuvant chemoradiation ［J］. Eur Radiol ， 2023 ， 33 （ 12 ）： 8554 - 8563 . DOI： 10.1007/s00330-023-09884-7 http://dx.doi.org/10.1007/s00330-023-09884-7 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

高分辨率CT影像组学分类诊断类风湿关节炎相关间质性肺疾病的效能

基于转录组学和变分自编码器的癌症分期诊断研究

基于随机生存森林算法的NK/T细胞淋巴瘤患者预后模型的构建与验证

高原脱适应症发生风险预测模型的构建与验证

肝硬化伴自发性细菌性腹膜炎的诊断模型研究及验证