基于Deepsurv模型预测非转移性前列腺癌患者的生存率.pdf

临床信息学第 37 卷第 8 期医学信息Vol.37 No.82024 年 4 月Journal of Medical InformationApr.2024作者简介：徐方笛（1998.12-），男，辽宁抚顺人，硕士研究生，主要从事生物信息、机器学习、人工智能方面的研究通讯作者：范晓东（1981.6-），男，吉林榆树人，博士，副教授，主要从事生物信息、机器学习、人工智能方面的研究基于 Deepsurv 模型预测非转移性前列腺癌患者的生存率徐方笛1袁范晓东2渊吉林化工学院信息与控制工程学院1袁理学院2袁吉林 吉林132022冤摘要院目的建立Deepsurv深度神经网络模型与Cox比例风险回归模型并比较两种模型对非转移性前列腺癌症患者生存时间的预测性能遥方法从SEER数据库中选择2014-2018年确定诊断为非转移性前列腺癌的男性患者袁将患者数据集按照8颐2划分为训练集和测试集袁构建Deepsurv深度神经网络模型的基本结构遥利用随机超参数优化搜索算法获得预定义范围内的最优网络超参数袁建立模型后在训练集上训练袁并在测试集上测试遥通过一致性指数渊C-index冤尧ROC曲线下面积渊AUC冤和Brier分数渊Brier Score冤比较Deepsurv深度神经网络模型和Cox比例风险回归模型对非转移性前列腺癌症患者1尧3年生存情况的预测性能遥结果建立了以患者年龄尧前列腺特异性抗原渊PSA冤水平尧前列腺癌组织恶性程度渊Gleason分级冤尧肿瘤分期渊T分期冤和活检核心阳性总数为预后因素的预测模型遥 Deepsurv深度神经网络模型的C-index为0.713袁高于Cox比例风险回归模型的0.654曰Deepsurv深度神经网络模型预测患者1尧3年生存率的Brier Score为0.312尧0.229袁低于Cox比例风险回归模型的0.356尧0.241曰ROC曲线显示袁Deepsurv深度神经网络模型预测患者1尧3年生存率的AUC为0.680尧0.652袁高于Cox比例风险回归模型的0.631尧0.649遥结论Deepsurv深度神经网络模型在预测非转移性前列腺癌患者的生存方面的表现优于传统的Cox比例风险回归模型遥关键词院Deepsurv深度神经网络模型曰非转移性前列腺癌曰生存预测中图分类号院R737.25文献标识码院ADOI院10.3969/j.issn.1006-1959.2024.08.009文章编号院1006-1959渊2024冤08-0052-04Prediction on Survival Rate of Patients with Non-metastatic Prostate Cancer Based on Deepsurv ModelXU Fang-di1,FAN Xiao-dong2(College of Information and Control Engineering1,Faculty of Science2,Jilin Institute of Chemical Technology,Jilin 132022,Jilin,China)Abstract：Objective To establish a Deepsurv deep neural network model and a Cox proportional hazard regression model and compare the predictiveperformance of the two models on the survival time of patients with non-metastatic prostate cancer.Methods Male patients diagnosed with non-metastatic prostate cancer from 2014 to 2018 were selected from the SEER database.The patient data set was divided into training set and test setaccording to 8颐2.The basic structure of the Deepsurv deep neural network model was constructed.The random hyperparameter optimization searchalgorithm was used to obtain the optimal network hyperparameters within the predefined range.After the model was established,it was trained on thetraining set and tested on the test set.The predictive performance of Deepsurv deep neural network model and Cox proportional hazard regressionmodel for 1-year and 3-year survival of patients with non-metastatic prostate cancer was compared by consistency index(C-index),area under theROC curve(AUC)and Brier score(Brier Score).Results A predictive model was established with patient age,prostate specific antigen(PSA)level,malignant degree of prostate cancer tissue(Gleason grade),tumor stage(T stage)and total number of positive biopsy cores as prognostic factors.TheC-index of the Deepsurv deep neural network model was 0.713,which was higher than 0.654 of the Cox proportional hazard regression model.TheBrier Scores of the Deepsurv deep neural network model for predicting the 1-year and 3-year survival rates of patients were 0.312 and 0.229,whichwere lower than 0.356 and 0.241 of the Cox proportional hazard regression model.The ROC curve showed that the AUC of the Deepsurv deep neuralnetwork model for predicting the 1-year and 3-year survival rates of patients was 0.680 and 0.652,which was higher than 0.631 and 0.649 of the Coxproportional hazards regression model.ConclusionDeepsurv deep neural network model is superior to the traditional Cox proportional hazardregression model in predicting the survival of patients with non-metastatic prostate cancer.Key words：Deepsurv deep neural network model;Non-metastatic prostate cancer;Survival prediction前列腺癌（prostate cancer）已成为男性主要癌症之一，其发病率和死亡率是非常高的，每年有近30.7 万人死亡，占男性癌症总死亡率的 6.6%1。数据显示，前列腺特异性抗原检测和疾病发病率显著上升。其中，超过 80%的男性被诊断为非转移性疾病2。因此，准确的预后对于确定哪些患者可以从治疗中获益至关重要3，4。在以往的医学研究中，许多学者在建立 Cox 比例风险回归模型时允许使用多个预测因子来开发生存函数。但是，该模型并不适用于非线性生存数据，因为它已经假定了线性比例的风险。如52临床信息学第 37 卷第 8 期医学信息Vol.37 No.82024 年 4 月Journal of Medical InformationApr.2024李世海等5利用 Cox 比例风险回归模型分析接受全雄激素阻断持续内分泌治疗的前列腺癌患者的临床特点，筛选影响患者预后的危险因素；张悦等6通过Cox 比例风险回归模型分析其他癌症对前列腺癌患者生存情况的影响。这些研究并未考虑到癌症患者的非线性生存数据，因此这些模型并未达到前列腺癌症患者的准确预后标准。本研究将基于 SEER 数据库中非转移性前列腺癌症患者的非线性预后因素来探讨 Deepsurv 深度神经网络模型7和传统的 Cox比例风险回归模型8对前列腺癌患者生存时间的预测性能，现报道如下。1资料与方法1.1 资料来源 非转移性前列腺癌患者数据集9采用SEER*stat 8.4.0.1 软件在 SEER 数据库中提取。收集患者的年龄（4075 岁）、诊断年份（2014-2018年）、性别（男）、病理确诊情况（Positive histology）和站点代码（C61.9），包含 212 094 例前列腺癌患者（C61.9）。排除无有效生存时间的患者 2425 例、发生转移性疾病（包括淋巴结转移）患者 118 108 例、无前列腺特异性抗原（PSA）、前列腺癌组织恶性程度（Gleason 分级）和肿瘤分期（T 分期）数据10，11（AJCC第 7 版为标准）缺失的患者 79 940 例，最终纳入11 621 例男性非转移性前列腺癌患者，按照 8颐2 分为训练集（9297 例）和测试集（2324 例）。在诊断时检测的以下变量作为非转移性前列腺癌患者生存分析的预后因素：年龄、PSA 水平、Gleason 分级、肿瘤分期和活检阳性总数，患者人口病理特征见表 1。1.2 方法1.2.1 构建 Deepsurv 深度神经网络模型 DeepSurv是一个深度前馈神经网络，能够预测患者的预后因素对其生存率的影响。首先，将基准数据（经过标准化的非转移性前列腺癌症患者的预后因素）输入到神经网络中，该网络通过一些带有权值的隐藏层来传播输入，其中隐藏层由全连通的非线性激活函数组成，然后由单个节点组成的输出层输出作为神经网络的预测值。对于 Deepsurv 深度神经网络模型，使用现代深度学习技术来优化神经网络的训练。包括：数据类型转化、标准化输入、超参数调节、数据输出。Deepsurv 深度神经网络的超参数包括：网络层数（layers）、隐藏层结点数（nodes）、激活函数（activa原tion）、优化器（optimizer）、学习率（learning rate）、神经元丢弃概率（dropout）和动量（momentum）。使用随机超参数优化搜索算法12在一个预定义的范围内对每个超参数进行采样，并通过每次测试集的一致性指数（C-index）来评估模型的性能，最终得到一组最优超参数如下：layers 为 3、nodes 为 30、optimizer 为Adam、learning rate 为 0.01、activation 为 relu、dropout为 0.2、momentum 为 0.889。1.2.2 评价指标 通过一致性指数（C-index）、ROC 曲线下面积（AUC）和 Brier 分数（Brier Score）比较Deepsurv 深度神经网络模型和 Cox 比例风险回归模预后因素年龄（岁）40606075PSA（ng/ml）约101030跃30Gleason 分级玉域芋郁吁训练集（=9297）3914（42.10）5383（57.90）4642（49.93）2746（29.54）1909（20.53）4707（50.63）586（6.30）786（8.45）1493（16.06）1725（18.56）测试集（=2324）979（42.13）1345（57.87）1161（49.96）686（29.52）477（20.52）1177（50.65）147（6.33）197（8.47）372（16.01）431（18.55）表1患者人口病理特征 渊%冤预后因素肿瘤分期T1aT1bT1cT2aT2bT2cT3aT3bT4活检阳性总数0（阴性）1（阳性）训练集（=9297）508（5.46）194（2.09）2185（23.50）386（4.15）1021（10.98）1836（19.75）1250（13.45）823（8.85）1094（11.77）2725（29.31）6572（70.69）测试集（=2324）127（5.46）49（2.12）546（23.49）96（4.13）255（10.97）459（19.75）313（13.47）206（8.86）273（11.75）681（29.30）1643（70.70）53临床信息学第 37 卷第 8 期医学信息Vol.37 No.82024 年 4 月Journal of Medical InformationApr.2024C-index=移i=1n移j=1n啄iI(Yig(Zj;兹)+0.5*I(g(Zi;兹)=g(Zj;兹)移i=1n移j=1n啄iI(Yic|T臆tspecificity(c,t)=Pg(Z;兹)c|Tt（3）2结果Deepsurv 深度神经网络模型的 C-index 为0.713，高于 Cox 比例风险回归模型的 0.654；Deepsurv深度神经网络模型预测患者 1、3 年生存率的 BrierScore 为 0.312、0.229，低于 Cox 比例风险回归模型的 0.356、0.241，见表 2。其中，Deepsurv 模型的C-index 高于 Cox 模型并且预测模型具有中等可信度，预测结果可信16。Deepsurv 深度神经网络模型和Cox 比例风险回归模型的 ROC 曲线见图 1，ROC 曲线显示，Deepsurv 深度神经网络模型预测患者 1、3年生存率的 AUC 为 0.680、0.652，高于 Cox 比例风险回归模型的 0.631、0.649。指标C-index1-year Brier Score3-year Brier Score1-year AUC3-year AUCDeepsurv 深度神经网络模型0.7130.3120.2290.6800.652Cox 比例风险回归模型0.6540.3560.2410.6310.649表2 Deepsurv深度神经网络模型和Cox比例风险回归模型的C-index尧Brier Score及AUC比较图1 Deepsurv深度神经网络模型与Cox比例风险回归模型预测患者1尧3年生存率的ROC曲线3讨论非转移性前列腺癌的发生主要与年龄、种族、地理位置、饮食结构等因素有关。目前，我国已经进入老龄社会，随着人口寿命延长，饮食结构改变，肿瘤筛查及诊断水平的不断提高。虽然我国前列腺癌的发病率远低于西方发达国家，但近年来已经呈现上升趋势，现位于男性泌尿生殖系统恶性肿瘤第 3 位17。同时，癌症的治疗决策特别复杂，需要平衡进展的风险和治疗相关的发病率，针对非转移性前列腺癌症患者的非线性预后生存数据，使用 Deepsurv 深度神经网络模型可以更有效的预测患者的生存概率，准确的预测患者的生存时间。54临床信息学第 37 卷第 8 期医学信息Vol.37 No.82024 年 4 月Journal of Medical InformationApr.2024本研究是基于 SEER 数据库对非转移性前列腺癌症患者进行预后分析，SEER 数据库拥有大量基于人群的资源，可以用于研究跨人口统计学特征，地理区域及时间病理诊断含义，还提供了不同类型癌症发病率，生存率以及死亡率等数据，并且分子分型的数据也在增加18。本研究通过 SEER 数据库获取非转移性前列腺癌症患者的数据集后，建立 Deepsurv深度神经网络模型和 Cox 比例风险回归模型来对非转移性前列腺癌患者进行生存分析预测，并通过计算得到这两种模型的 C-index，ROC 曲线及 AUC 和Brier score，均验证了 Deepsurv 神经网络模型在预测非转移性前列腺癌患者生存方面的表现优于传统的 Cox 比例风险回归模型，在医学临床实践中，建立最优模型可以准确的预测患者的生存时间及生存概率并为患者提供有效的个性化治疗建议19。虽然本研究纳入的数据量较大且经过验证有一定的可靠性，但仍存在一定的局限性。首先，本研究是基于 SEER 数据库的一项回顾性研究，无法获得患者的某些具体信息，仅能观察到结局指标，对疾病进展相关因素无法验证，会产生一定的偏倚20。其次，在临床实践中，非转移性前列腺癌症患者的预后影响因素十分复杂，本研究建立的 Deepsurv 深度神经网络模型仅针对该研究中纳入的预后因素进行讨论，验证了 Deepsurv 深度神经网络模型优于传统的Cox 比例风险模型，如若纳入其他影响前列腺癌症患者生存率的预后因素，仍需进一步分析。参考文献院1Taitt HE.Global Trends and Prostate Cancer:A Review ofIncidence,Detection,and Mortality as Influenced by Race,Eth鄄nicity,and Geographic Location J.American Journal of MensHealth,2018,12(6):807-823.2Donovan JL,Hamdy FC,Lane JA.Patient-reported Outcomesafter Monitoring,Surgery,or Radiotherapy for Prostate CancerJ.The New England Journal of Medicine,2016,375(15):1425-1437.3Hamdy FC,Donovan JL,Lane JA.10-Year Outcomes afterMonitoring,Surgery,or Radi-otherapy for Localized ProstateCancerJ.The New England Journal of Medicine,2016,375(15):1415-1424.4Wilt TJ,Jones KM,Barry MJ,et al.Follow-up of Prostatecto鄄my versusObservation for Early Prostate Cancer J.The NewEngland Journal of Medicine,2017,377(2):132-142.5李世海,李强,张卫东,等.前列腺癌长期持续内分泌治疗的临床特点及预后因素分析J.临床泌尿外科杂志,2020,35(11):891-896.6张悦,武振宇.第二原发结直肠癌对前列腺癌患者生存情况影响的分析J.中国卫生统计,2020,37(3):444-447.7Katzman JL,Shaham U,Cloninger A,et al.DeepSurv:personal鄄ized treatment recomme-nder system using a Cox proportionalhazardsdeepneuralnetworkJ.BMCMedicalResearchMethodology,2018,18(1):18-24.8Austin PC.Generating survival times to simulate cox propor鄄tional hazards models with time-varying covariates J.Stat Med,2012,31(29):3946-3958.9Lee C,Light A,Alaa A,et al.Application of a novel machinelearning framework for pr-edicting non-metastatic prostate can鄄cer-specific mortality in men using the Surveillance,Epidemiol鄄ogy,and End Results(SEER)database J.The Lancet DigitalHealth,2021,3(3):e138-e146.10Sanda MG,Cadeddu JA,Kirkby E,et al.Clinically localizedprostate cancer:AUA/ASTRO/SUOguideline.Part I:risk strati鄄fication,shared decision making,and care optionsJ.The Journalof Urology,2018,199(3):683-690.11Zelic R,Garmo H,Zugna D,et al.Predicting prostate cancerdeath with different pretreatmentrisk stratification tools:a head-to-head comparison in a nationwide cohort-study J.Eur Urol,2020,77(2):180-188.12Bergstra J,Bengio Y.Random search for hyper-parameteroptimizationJ.J Mach Learn Res,2012,13(1):281-305.13邱海波,曹素梅,徐瑞华.基于2020年全球流行病学数据分析中国癌症发病率尧死亡率和负担的时间趋势及与美国和英国数据的比较J.癌症,2022,41(4):165-177.14Gerds TA,Schumacher M.Consistent estimation of the ex鄄pected Brier score in gener-al survival models with right-cen鄄sored event timesJ.Biometr J,2006,48(6):1029-1040.15Heagerty PJ,Lumley T,Pepe MS.Time-dependent ROCcurves for censored survival data and a diagnostic markerJ.Bio鄄metrics,2000,56(2):337-344.16田春兰,王烈宏.基于SEER数据库分析年轻T期宫颈癌患者生存的影响J.医学信息,2023,36(7):36-40.17殷桂草,田浩宇,田锋,等.以PSA筛查为基础前列腺癌早期诊断与治疗的研究J.蚌埠医学院学报,2023,48(4):441-444.18Doll KM,Rademaker A,Sosa JA.Practical Guide to SurgicalData Sets:Surveillance,Epi-demiology,and End Results(SEER)DatabaseJ.JAMA Surg,2018,153(6):588-589.19Mi X,Zou F,Zhu R.Bagging and deep learning in optimalindividualized treatment rulesJ.Biometrics,2019,75(2):674-684.20任昱恺,林宗祥,韦柏充,等.基于SEER数据库肺腺鳞癌淋巴结转移预测模型的构建J.河南医学研究,2022,31(7):1198-1203.收稿日期：2023-04-23；修回日期：2023-05-16编辑/成森55