机器学习模型和Cox回归模型预测食管胃结合部腺癌预后的效能.pdfVIP

·952·doi10.12122/j.issn.1673-4254.2023.06.10JSouthMedUniv,2023,43(6):952-963

机器学习模型和机器学习模型和CoxCox回归模型预测食管胃结合部腺癌预后的回归模型预测食管胃结合部腺癌预后的

效效能能

高凯绩，王一豪，曹海坤，贾建光

蚌埠医学院第一附属医院肿瘤外科，安徽蚌埠233000

摘要：目的探讨机器学习和传统Cox回归模型在预测食管胃结合部腺癌（AEG）患者术后生存能力中的应用价值。方法选取

2015年9月~2020年10月本院收治的287例AEG患者，排除失访及临床资料缺失者，共筛选出203例患者的临床病理资料，经

过对数据的赋值等处理，转换成满足R语言分析数据的要求的数据。将203例患者数据使用随机数表法按照3∶1的比例划分为

训练集和验证集，对两组数据分别进行Cox比例风险模型构建和4种机器学习模型的构建，绘制出ROC曲线、校准曲线和临床

决策曲线（DCA）。为评估4种机器学习模型之间的预测效能，进行机器学习模型的内部验证。通过曲线下面积(AUC)评价模型

预测的性能，校准曲线反映模型的拟合情况，并通过DAC判断其临床意义。结果Cox等比例风险回归、极端梯度提升、随机森

林、支持向量机、多层感知机验证集中3年生存率的AUC值分别为0.870、0.901、0.791、0.832、0.725，验证集中5年生存率的AUC

值分别为0.915、0.916、0.758、0.905、0.737。4种机器学习模型内部验证分别是：极端梯度提升（AUC=0.818）、随机森林（AUC=

0.772）、支持向量机（AUC=0.804）、多层感知机（AUC=0.745）。结论机器学习模型对于AEG患者生存率预测的表现优于Cox

等比例风险回归模型，尤其在不满足等比例假设或线性回归模型下，并能够包含较多的影响变量。在内部验证中，XGBoost模

型的预测效能最好，支持向量机次之，随机森林出现过拟合，多层感知机受数据量影响可能拟合效果较差。

关键词：食管胃结合腺癌；人工智能；机器学习；Cox比例风险回归模型

EfficacyofmachinelearningmodelsversusCoxregressionmodelforpredicting

prognosisofesophagogastricjunctionadenocarcinoma

GAOKaiji,WANGYihao,CAOHaikun,JIAJianguang

DepartmentofSurgicalOncology,FirstAffiliatedHospitalofBengbuMedicalCollege,Bengbu233000,China

Abstract:ObjectiveTocomparetheperformanceofmachinelearningmodelsandtraditionalCoxregressionmodelin

predictingpostoperativeoutcomesofpatientswithesophagogastricjunctionadenocarcinoma(AEG).MethodsThisstudywas

conductedamong203AEGpatientswithcompleteclinicalandfollow-updata,whoweretreatedinourhospitalbetween

September,2015andOctober,2020.TheclinicopathologicaldataofthepatientswereprocessedforanalysisusingRlanguage

packageanddividedintotrainingandvalidationdatasetsattheratioof3∶1.TheCoxproportio