Development and validation of a machine learning model for predicting immune checkpoint inhibitor efficacy in advanced gastric cancer using dynamic changes in peripheral blood clinlabomics data: a retrospective multicenter cohort study.
研究背景
免疫检查点抑制剂（ICIs）在晚期胃癌治疗中作用关键，但现有预测ICIs疗效的生物标志物有局限。本研究旨在开发基于动态临床实验室组学（clinlabomics）数据的机器学习模型，提高预测准确性。
方法速览
- 研究设计：回顾性多中心队列研究，纳入377名中国晚期胃癌患者。
- 数据收集：收集基线和治疗周期1、2、3前的clinlabomics特征。
- 特征选择和模型构建：用单变量逻辑回归和LASSO回归筛选特征，构建XGBoost模型。
- 模型验证：通过内部验证集和两个外部测试队列验证。
- 分子和免疫特征分析：全转录组测序和RNA测序分析差异表达基因和免疫特征。
主要发现
- 动态clinlabomics特征：筛选出43个与ICIs治疗反应相关特征，确定10个最优预测因子，这些特征在治疗中动态变化，DCB和NDB组差异显著。
- 预测模型：XGBoost模型表现最佳，训练集AUC为0.863，验证集为0.790，外部测试队列分别为0.826和0.842。
- 预测因子贡献：外周血NLR、ALC等是强预测因子，部分指标与ICIs临床受益正相关，部分负相关。
- 临床和预后价值：低风险患者mOS和mPFS长于高风险患者，DLRS预测AUC高于单一生物标志物。
- 分子和免疫特征：发现701个差异表达基因，低风险组免疫活性和免疫检查点调节器表达更高。
总结展望
本研究首次将动态clinlabomics特征纳入模型，多维度整合多种特征，提供非侵入性预测方法。但模型基于中国患者，外部测试队列样本量小，缺乏新型生物标志物整合，对腹膜转移患者预测准确性低，未来需进一步完善。