数据收集与预处理
构建用于机器学习的多模态数据集。
从POSEIDON试验获取临床、基因组和影像组学数据；影像组学特征通过深度学习算法自动分割胸部肿瘤后按IBSI标准提取；排除部分患者以符合数据共享指南。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
利用机器学习识别可从度伐利尤单抗联合化疗基础上加用替西木单抗获益的患者的多模态特征（TRIDENT）
Utilizing Machine Learning to Identify Multimodal Signatures for Patients Who Would Benefit from the Addition of Tremelimumab to Durvalumab and Chemotherapy (TRIDENT)
实验完整度
中基于III期试验数据的事后分析，使用机器学习建模，训练集内部交叉验证，无外部验证或独立测试集，无实验功能验证。
主要模型
POSEIDON试验患者队列（转移性NSCLC） 非鳞状NSCLC患者亚组 鳞状NSCLC患者亚组
重点核对
分析集1：652例患者，替西木单抗+度伐利尤单抗+化疗组323例 vs 度伐利尤单抗+化疗组329例 分析集4：526例患者，具有临床、影像组学和基因组数据 嵌套交叉验证：外层重复3折交叉验证重复5次，内层重复5折交叉验证重复5次 模型19（非鳞状，临床+基因组）：前50%患者HR 0.56（95% CI 0.33–0.97），P=0.04 特征重要性分析：30次置换，置换后模型准确率平均下降（ADwabc）
摘要
目的：POSEIDON（NCT03164616）是一项随机、开放标签、多中心III期试验，比较一线度伐利尤单抗联合或不联合替西木单抗联合化疗与单纯化疗在转移性非小细胞肺癌（NSCLC）患者中的疗效。替西木单抗+度伐利尤单抗+化疗组的总生存期（OS）和无进展生存期显著增加。我们进行了事后分析（TRIDENT），以识别可能从度伐利尤单抗联合化疗基础上加用替西木单抗中获得更大OS获益的患者。实验设计：本分析纳入POSEIDON试验的临床、基因组和影像组学数据（数据截止日期2021年3月12日）。利用多模态数据的机器学习模型被训练以识别从一线度伐利尤单抗联合化疗基础上加用替西木单抗中获益的患者亚群。结果：使用临床和基因组数据，模型能够预测一线度伐利尤单抗联合化疗基础上加用替西木单抗的治疗获益，非鳞状肿瘤患者中排名前50%的患者风险比为0.56（95%置信区间，0.33–0.97）。EGFR野生型、FGFR3野生型、CDKN2A野生型、KRAS突变和STK11突变是与更高OS获益最相关的因素。结论：通过利用机器学习模型分析POSEIDON数据，我们得出了遗传特征，识别出可能从一线度伐利尤单抗联合化疗基础上加用替西木单抗中获得更大OS获益的非鳞状转移性NSCLC患者。此类方法未来可用于增强个体化治疗的精准性。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 识别可能从一线度伐利尤单抗联合化疗基础上加用替西木单抗获得更大总生存获益的转移性NSCLC患者亚群。
- 核心机制
- EGFR野生型、FGFR3野生型、CDKN2A野生型以及KRAS或STK11突变是与替西木单抗联合治疗更高OS获益最相关的特征；但文献未明确验证因果机制。
- 主要证据
- 基于POSEIDON试验临床、基因组和影像组学数据的机器学习模型（super T-learner架构）经嵌套交叉验证评估；在非鳞状NSCLC中，临床+基因组模型（模型19）识别的前50%患者HR为0.56（95% CI 0.33–0.97）。
- 研究意义
- 机器学习模型未来可能有助于改善癌症治疗中的患者选择，例如用于纳入标准、分层或识别可能从个体化治疗中获益的患者亚组；研究结果为TRITON试验提供了支持。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
特征选择与模型训练
建立预测治疗获益的机器学习模型。
使用super T-learner架构，包括预处理、KNN插补缺失值、基于iAUC和Wald检验的过滤式特征选择，以及四种时间-事件机器学习模型（LASSO/ridge/elastic net Cox、生存树、随机生存森林、梯度提升Cox）；多模态模型通过事后贝叶斯模型平均聚合。
模型性能评估
评估模型预测治疗获益的能力及识别获益亚群。
采用分层嵌套交叉验证估计模型性能（ADwabc和log-HR）；计算预测获益排名前50%和30%患者的HR；进行特征重要性分析和部分依赖图分析。
亚组分析与结果解释
识别不同组织学亚组中的获益特征并与已有文献比较。
分别在各组织学亚组（非鳞状和鳞状）中训练模型；分析特征重要性排名；将结果与POSEIDON事后分析等文献比较。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 影像组学分析 | SOPHiA DDM影像组学平台 | SOPHiA GENETICS SA | -- |
| 基因组检测 | GuardantOMNI检测面板 | Guardant Health Inc. | -- |
| FoundationOne CDx检测面板 | Foundation Medicine Inc. | -- | |
| 数据分析与建模 | Python 3.8.18 | -- | RRID:SCR_008394 |
| scikit-learn 1.2.2 | -- | RRID:SCR_002577 | |
| scikit-optimize 0.9.0 | -- | -- | |
| scikit-survival 0.21.0 | -- | -- | |
| 数据可视化与汇总 | R 4.3.1 | -- | RRID:SCR_001905 |
| 数据分析与建模 | Microsoft Azure机器学习 | Microsoft | RRID:SCR_011880 |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 数据集构建 | 分析集纳入排除标准（如影像扫描可用性、基因组数据共享限制）；各分析集样本量（分析集1: 652例；2: 616例；3: 557例；4: 526例；5: 212例；6: 345例） 阅读提示：Methods 'Data used in analyses' 及 Figure 2流程图；Results 'Datasets included in the study' |
| 机器学习建模 | super T-learner架构步骤；四种时间-事件模型类型及超参数优化范围（Supplementary Table S1）；KNN插补邻居数（5）；特征选择排名方法（iAUC和Wald检验） 阅读提示：Methods 'Machine learning' 及 Supplementary Methods；Supplementary Fig. S1 |
| 模型性能评估 | 嵌套交叉验证折数（外层3折重复5次，内层5折重复5次）；分层标准（PD-L1表达、组织学、疾病分期）；性能指标（ADwabc、log-HR）及方差估计方法（Nadeau-Bengio） 阅读提示：Methods 'Statistical analysis'；Table 1脚注 |
| 特征重要性分析 | 置换次数（30次）；重要性度量（ADwabc平均下降）；部分依赖图数值特征网格（30个等间距值） 阅读提示：Methods 'Statistical analysis'；Figure 3图注；Supplementary Fig. S3 |
| 亚组分析 | 组织学亚组划分（非鳞状 vs 鳞状）；EGFR突变状态 central testing 结果（非鳞状分析集中9/410例有致敏突变）；KRAS、STK11、KEAP1突变状态 阅读提示：Methods 'Data used in analyses'；Results 'Nonsquamous histology' 及 'Squamous histology'；Supplementary Table S11 |