在癌症、肿瘤领域，准确预测肿瘤患者的生存可以指导有针对性的干预措施。
  • 传统的基于回归的Cox比例风险（CPH）模型具有统计假设，预测精度有限。
  • 机器学习（ML）由于能够对大型数据集进行建模，有可能改善对时间到事件结果的预测，例如癌症生存结果。
机器学习是相对复杂的统计学方法，好像也很高级，那相较于传统COX回归的预测性能是不是一定更强呢？
Meta分析显示，这些ML模型并不优于传统的基于回归的CPH模型。
今天一起详细看看这篇发表在《BMC Medical Research Methodology》上的系统综述与Meta研究，旨在系统总结观察性研究中ML模型对癌症生存结果的应用，并比较ML模型与CPH模型的性能。

研究系统地检索了PubMed、MEDLINE（通过EBSCO）和Embase，以评估ML模型与CPH模型对癌症生存结果的影响。总结了ML算法的使用，并描述性地给出了ML和CPH模型的曲线下面积（AUC）或一致性指数（C-index）。

最终的荟萃分析中只纳入了提供区分度的研究，即AUC或C-index和95%置信区间（CI）。

  • 用森林图来展示基于机器学习的模型和 CPH 模型的 AUC 或 C-index 的汇总值及其 95%CI 预测区间。

  • 采用随机效应模型比较ML算法和CPH模型的总AUC或C-index值及其95% CI。

  • 使用 Cochran 的 Q 检验、τ 2 统计量和 Higgins I 2 统计量评估这些研究的异质性（例如，设置、研究人群和方法的差异）。

另外使用可用的清单评估研究的质量，进行多重敏感性分析。

机器学习算法使用情况

共有 21 篇研究被纳入本次系统评价，7项用于荟萃分析。

最常用的机器学习算法是随机生存森林（RSF）（N = 16，76.19%），梯度提升（GB）（N = 5，23.81%），神经网络（NN）（N = 8，38.09%）。

在这些研究中，只有少数研究应用了外部验证方法（N = 6，28.57%）。

总体而言，在21项研究中评估了42个ML模型，平均AUC或C-指数为0.759，中位数AUC或C-指数为0.751(四分位间距（IQR）: 0.121；范围: 0.337)。这些研究中有很大一部分（N = 17, 80.95%）的ML模型AUC等于0.7或更高。

ML算法的平均（标准差）[中位数]AUC或C-index分别为：

  • RSF：0.766(0.085)[0.753]

    真相了！预测模型方法，机器学习并不比传统Cox回归更出色

  • GB：0.760(0.056)[0.757]

  • NN：0.770(0.097)[0.754]

  • 支持向量机SVM：0.732(0.088)[0.684]

  • 其他ML算法：0.746(0.072)[0.723]

CPH模型和ML算法具有相似的预测准确性

在所有文献中，只有7篇报道了ML和CPH方法预测总生存期的AUC或C-指数和95% CI的文献被纳入meta分析。

相对于CPH模型，对这7个ML模型的性能进行了评估。Meta分析显示，预测癌症生存结果方面，ML模型没有表现出比CPH回归更好的性能。AUC或c指数的标准化均值差（SMD）为0.01 （95% CI: -0.01至0.03），突出了两种方法在性能上的相似性。

敏感性分析的结果证实了主要发现的稳健性。

基于改良的Luo检查表和TRIPOD声明，几乎所有研究（95.24%）均为高质量、低偏倚风险的研究。

综上所述，研究者发现RSF是最常用的ML模型，反映了它作为生存分析的ML算法的偏好。正在研究的用于生存分析的ML算法具有良好的预测能力，中位AUC或C-index为0.751。具体而言，其中17项研究的ML模型auc或C-index值为0.7或更高。

然而，荟萃分析显示，这些ML模型并不优于传统的基于回归的CPH模型。

所以说，老郑还是那句话，在预测性能没有显著提升的情况下，郑老师认为，传统回归的透明度和简单性通常是更负责任和更实用的选择。

参考文献：Huang, Y., Bazzazzadehgan, S., Li, J. et al. Comparison of machine learning methods versus traditional Cox regression for survival prediction in cancer using real-world data: a systematic literature review and meta-analysis. BMC Med Res Methodol 25, 243 (2025). https:///10.1186/s12874-025-02694-z