机器学习预测肝癌免疫治疗效果
摘要
该研究通过回顾性队列分析，利用高级机器学习模型预测接受阿特珠单抗联合贝伐珠单抗治疗的晚期肝细胞癌患者的总生存期和无进展生存期。研究纳入了来自8个国家24个中心的774名患者，使用支持向量机、神经网络和朴素贝叶斯等算法进行训练。结果显示，集成模型在外部验证队列中显著优于传统临床生物标志物，能够有效分层患者并指导个性化治疗策略。
信息来源： PubMed Ophthalmology 发布于 2026年2月1日
要点速览
- 研究利用机器学习模型预测晚期肝细胞癌患者的总生存期和无进展生存期。
- 集成模型在外部验证队列中显著优于传统临床生物标志物。
- 研究结果可用于指导个性化治疗策略。
本站解读
这项研究揭示了机器学习在肿瘤学中的应用潜力，特别是在预测免疫治疗效果方面。传统的临床生物标志物如BCLC分期、AFP浓度等在预测患者预后方面存在局限性，而机器学习模型通过整合多维度的基线临床数据，显著提高了预测准确性。这不仅意味着技术路线的变迁，也预示着未来肿瘤治疗决策将更加依赖数据驱动的方法。
从行业竞争生态来看，各大制药公司和医疗机构都在积极布局人工智能技术，以提升其在精准医疗领域的竞争力。然而，这种技术的应用也带来了新的挑战，例如数据隐私保护和模型的可解释性问题。随着技术的不断进步，这些挑战有望逐步解决，但短期内仍需密切关注。
国内外的研发管线也在积极推进类似的研究，尤其是在中国，多家企业已经开始探索人工智能在眼科及其他疾病领域的应用。未来，需要密切留意的是这些技术如何在实际临床中落地，以及监管机构对此类新技术的态度和政策调整。
常见问题
这个研究对肝癌患者有什么帮助？
这项研究通过机器学习模型，可以更准确地预测接受特定免疫治疗的肝癌患者的生存期和疾病进展情况，有助于医生制定个性化的治疗方案。如有疑虑可咨询眼科医生。
机器学习模型比传统方法好在哪里？
机器学习模型能够整合更多的临床数据，并通过复杂的算法提高预测准确性。与传统方法相比，它能更好地识别高风险和低风险患者，从而优化治疗策略。
延伸阅读
糖尿病视网膜病变早期诊断的自动化系统
该研究旨在开发一种基于眼底图像的自动化诊断系统，用于早期检测糖尿病视网膜病变（DR）。通过识别渗出物、出血和微动脉瘤等特征，结合小波变换边缘增强、高斯混合模型聚类以及机器学习算法（如随机森林分类器和多层感知机神经网络）进行特征提取和分类。研究使用了IDRiD数据集和Kaggle数据集中的眼底图像，结果显示，基于随机森林的分类系统在检测DR病灶方面达到了95.08%的敏感性、86.67%的特异性和95.20%的整体准确性。这一方法为大规模筛查提供了高精度、自动化且可扩展的解决方案，尤其适用于眼科专业资源有限的地区。
基于纹理分析的角膜动态检测技术在早期圆锥角膜诊断中的应用
该研究提出了一种名为CVS-omics的放射组学框架，利用Corvis ST成像和机器学习技术，以实现对早期圆锥角膜（FFKC）的精准识别。研究纳入了410只眼睛的数据，包括265只正常眼和145只FFKC眼。通过提取三个关键变形阶段（初始状态、第一次压平和最大变形）的纹理特征，并训练三种机器学习模型（随机森林、C5.0和XGBoost），最终在82只眼睛上进行了测试。结果显示，CVS-omics随机森林模型表现出卓越的诊断性能（AUC = 0.989，敏感性 = 0.931，特异性 = 0.962，准确性 = 0.951），显著优于传统的生物力学参数（最佳AUC = 0.764）。此外，基于三个变形阶段特征的模型比单一阶段特征的模型具有更高的诊断准确性。其他模型也展示了动态放射组学特征的高度泛化能力（XGBoost和C5.0 AUC > 0.83）。研究表明，CVS-omics能够有效检测FFKC眼中的细微特征变化，其准确度远超传统方法。
机器学习优化甲亢放射性碘治疗
针对Graves'病（GH）的放射性碘（RAI）治疗尽管是标准疗法，但因个体反应复杂导致失败率较高。传统固定剂量或简单计算剂量方法难以考虑临床特征间的非线性相互作用。研究通过回顾分析1,292名患者的数据，采用逐步回归和多种机器学习算法，最终确定了九个最优预测因子，并发现随机森林模型在预测RAI疗效方面表现最佳，AUC达到0.950，Brier得分为0.067。SHAP分析进一步确认了RAIU 3h、FT4、年龄和甲状腺重量是最具影响力的特征。该框架为个性化精准治疗提供了有力工具。