基于贝叶斯网络和马尔可夫幕的头颈癌临床可解释生存风险分层
摘要
目的：使用贝叶斯网络 (BN) 识别 HN 癌中与生存相关的临床可解释特征子集，并评估其预后和因果效用。方法和材料：我们使用 RADCURE 数据集，其中包含 3,346 例接受确诊 (化疗) 放疗的 H&N 癌患者。构建概率 BN 以建模临床、解剖和治疗变量之间的依赖关系。提取两年生存 (SVy2) 的马尔可夫幕 (MB)，用于训练 logistic 回归模型。排除 incomplete 案例后，按时间分割得到 train/test (2,174/820) 数据集，以 2007 年为截止年份。评估模型性能：使用受试者工作曲线下面积 (AUC)、C 指数和 Kaplan-Meier (KM) 生存分层。模型适配度进一步通过对数似然比 (LLR) 检验评估。进行因果推断：对 MB 变量执行 do-calculus 干预。结果：SVy2 的 MB 包括 6 个临床相关特征：ECOG 功能状态、T 分期、HPV 状态、疾病部位、主要肿瘤体积 (GTVp) 和治疗方式。模型在 test 数据集上实现 AUC 为 0.65，C 指数为 0.78，显著将患者分为高危和低危组 (log-rank p < 0.01)。模型适配度进一步得到 log-likelihood ratio 为 70.32 (p < 0.01) 的支持。亚组分析显示在 HPV 阴性 (AUC = 0.69, C-index = 0.76)、T4 (AUC = 0.69, C-index = 0.80) 和大型-GTV (AUC = 0.67, C-index = 0.75) 队列中表现突出，每组均显示显著的 KM 分离。因果分析进一步支持 ECOG 0、HPV 阳性和化疗放疗对生存的积极影响。结论：一个紧凑的、基于 MB 的 BN 模型可对 HN 癌的生存风险进行稳健的分层。该模型实现可解释的预后评估，支持在关键临床亚组中进行个体化决策。
引用
@article{arxiv.2504.11188,
title = {Clinically Interpretable Survival Risk Stratification in Head and Neck Cancer Using Bayesian Networks and Markov Blankets},
author = {Keyur D. Shah and Ibrahim Chamseddine and Xiaohan Yuan and Sibo Tian and Richard Qiu and Jun Zhou and Anees Dhabaan and Hania Al-Hallaq and David S. Yu and Harald Paganetti and Xiaofeng Yang},
journal= {arXiv preprint arXiv:2504.11188},
year = {2025}
}
备注
24 pages, 7 figures, 2 tables