基于常规血液生物标志物和肿瘤动力学的NSCLC生存预测的机制学习
定量方法
2026-01-19 v1
摘要
背景：预测非小细胞肺癌（NSCLC）的总生存期（OS）对于临床决策和药物开发至关重要。尽管肿瘤和血液检测标志物的动力学关系密切，但它们的联合动力学与OS之间的关系尚不为人知。方法：我们开发了一种机制模型，捕捉肿瘤负荷（T）与三种关键血液标志物动力学（白蛋白A、乳酸脱氢酶L和中性粒细胞N）之间的相互作用，通过耦合微分方程（称为 TALN-k）。该模型通过机器学习框架（TALN-kML）进行OS预测。该模型在接受阿替利珠单药治疗（N=862例）或联合治疗（N=1,115例）的NSCLC患者临床试验数据上进行了训练和验证。通过非线性混合效应建模估计模型参数，评估生存预测使用个人和试验级别指标。结果：TALN-k成功描述了个体和人群水平的标志物动力学，揭示了肿瘤和血液标志物之间复杂的相互作用，并通过显著提升的修正 BIC 和对数似然度指标优于以往的经验式最先进模型。特征选择方法还突出了有价值的预测参数，这些参数指示良好或不良预后。TALN-kML模型在OS预测中优于经验性、解耦模型，C-index（0.74±0.02 vs 0.72±0.03）、12个月 AUC（0.83±0.004 vs 0.79±0.05）和准确率（0.77±0.03 vs 0.76±0.05）均取得改进。结论：我们的机制学习方法实现了可解释模型，提高了纵向数据描述和NSCLC生存预测，将肿瘤和血液标志物动力学联合集成。这一方法为个体化治疗策略和药物开发优化提供了前景。
引用
@article{arxiv.2601.11148,
title = {Mechanistic Learning for Survival Prediction in NSCLC Using Routine Blood Biomarkers and Tumor Kinetics},
author = {Ruben Taieb and René Bruno and Pascal Chanu and Jin Yan Jin and Sébastien Benzekry},
journal= {arXiv preprint arXiv:2601.11148},
year = {2026}
}