基于机器学习算法建立神经母细胞瘤骨转移风险评估模型

doi:10.3969/j.issn.1673-8640.2025.06.003

检验医学 ›› 2025, Vol. 40 ›› Issue (6): 534-539.DOI: 10.3969/j.issn.1673-8640.2025.06.003

基于机器学习算法建立神经母细胞瘤骨转移风险评估模型

王旭梅¹, 徐冬青², 高莉梅¹, 章黎华¹, 姜文理¹, 王维维¹, 马娟¹, 沈立松¹()

1.上海交通大学医学院附属新华医院检验医学科，上海 200092
2.上海交通大学医学院附属新华医院儿童血液肿瘤内科，上海 200092

收稿日期:2024-11-18 修回日期:2025-01-14 出版日期:2025-06-30 发布日期:2025-07-01
通讯作者: 沈立松
作者简介:沈立松，E-mail：lisongshen@hotmail.com。
王旭梅，女，1992年生，硕士，检验医师，主要从事神经母细胞瘤相关的临床研究。
基金资助:
国家自然科学基金青年基金项目(82203376);上海市高等教育学会2024年度规划课题(2QYB4058)

Construction of a machine learning-based model for predicting the risk of neuroblastoma bone metastasis

WANG Xumei¹, XU Dongqing², GAO Limei¹, ZHANG Lihua¹, JIANG Wenli¹, WANG Weiwei¹, MA Juan¹, SHEN Lisong¹()

1. Department of Clinical Laboratory，Xinhua Hospital，Shanghai Jiao Tong University School of Medicine，Shanghai 200092，China
2. Pediatric Hematology and Oncology，Xinhua Hospital，Shanghai Jiao Tong University School of Medicine，Shanghai 200092，China

Received:2024-11-18 Revised:2025-01-14 Online:2025-06-30 Published:2025-07-01
Contact: SHEN Lisong

摘要/Abstract

摘要：

目的通过机器学习算法建立神经母细胞瘤（NB）骨转移的风险评估模型，辅助临床进行疾病诊疗。方法选取2019年1月—2024年5月上海交通大学医学院附属新华医院初次诊断为NB的患儿138例，其中有46例发生骨转移。将所有患儿按7∶3的比例随机分为训练集（97例）和验证集（41例）。收集所有NB患儿首次入院时的临床资料和实验室检查结果。采用LASSO回归分析进行变量筛选，采用9种机器学习算法建立判断NB骨转移风险的模型，采用受试者工作特征（ROC）曲线评估各个模型的诊断效能，根据曲线下面积（AUC）筛选出最优模型，并在验证集中评估其效能。结果采用LASSO回归分析从40个变量中筛选出9个变量[肿瘤骨髓转移状态、治疗前危险度分级、Myc基因扩增状态、骨髓原始细胞百分比、骨髓巨核细胞计数、血红蛋白、乳酸脱氢酶（LDH）、CD8⁺T细胞百分比、CD8⁺T细胞绝对数]。在训练集中，采用9种算法基于筛选出的9个变量分别构建相应的模型。9个模型中，极端随机树（ExtraTrees）模型判断NB患儿发生骨转移的效能最高（训练集和验证集的AUC分别为1.000和0.927）。ExtraTrees模型在训练集上的预测结果准确度为100%；在验证集上，预测结果准确度为 90.2%。结论基于机器学习算法构建ExtraTrees模型在NB骨转移风险评估中有较高的应用潜力。

关键词: 机器学习算法, 预测模型, 神经母细胞瘤, 骨转移

Abstract:

Objective To construct a risk prediction model for bone metastasis in neuroblastoma（NB） through machine learning algorithms，aimed at assisting clinical diagnosis and treatment. Methods Totally，138 patients with NB who were first diagnosed in Xinhua Hospital of Shanghai Jiao Tong University School of Medicine from January 2019 to May 2024 were enrolled and randomly divided into training set（97 cases） and validation set（41 cases） in a 7∶3 ratio. The clinical data and laboratory determination results of all the NB patients at the first hospital admission were collected. LASSO regression analysis was used to screen variables. Nine machine learning algorithms were used to establish models for predicting the risk of NB bone metastasis. Receiver operating characteristic（ROC） curve was used to evaluate the diagnostic efficacy of each model. The optimal model was screened out based on the area under curve（AUC），and its efficacy was evaluated in the validation set. Results The variables screened by LASSO regression analysis included tumor bone marrow metastasis status，pretreatment risk classification of NB，Myc gene amplification status，bone marrow blast cell ratio，bone marrow megakaryocyte count，hemoglobin，lactate dehydrogenase（LDH），CD8⁺ T cell percentage and CD8⁺ T cell absolute value. The screened variables were included in 9 machine learning algorithms for training. The ExtraTrees model had optimal performance in predicting the bone metastasis risk of NB，with AUC of 1.000 and 0.927 in the training set and validation set. The ExtraTrees model achieved a 100% accuracy in prediction results in the training set，and a 90.2% accuracy in the validation set. Conclusions The construction of an ExtraTrees model based on machine learning algorithms has demonstrated significant potential for assessing the risk of bone metastasis in NB.

Key words: Neuroblastoma, Machine learning, Predictive model, Bone metastasis

中图分类号:

R446

王旭梅, 徐冬青, 高莉梅, 章黎华, 姜文理, 王维维, 马娟, 沈立松. 基于机器学习算法建立神经母细胞瘤骨转移风险评估模型[J]. 检验医学, 2025, 40(6): 534-539.

WANG Xumei, XU Dongqing, GAO Limei, ZHANG Lihua, JIANG Wenli, WANG Weiwei, MA Juan, SHEN Lisong. Construction of a machine learning-based model for predicting the risk of neuroblastoma bone metastasis[J]. Laboratory Medicine, 2025, 40(6): 534-539.

图/表 5

参考文献 23

[1]	MATTHAY K K, MARIS J M, SCHLEIERMACHER G, et al. Neuroblastoma[J]. Nat Rev Dis Primers, 2016, 2:16078. DOI PMID
[2]	QIU B, MATTHAY K K. Advancing therapy for neuroblastoma[J]. Nat Rev Clin Oncol, 2022, 19(8):515-533. DOI PMID
[3]	DUBOIS S G, KALIKA Y, LUKENS J N, et al. Metastatic sites in stage Ⅳ and ⅣS neuroblastoma correlate with age,tumor biology,and survival[J]. J Pediatr Hematol Oncol, 1999, 21(3):181-189.
[4]	YAN Z, WU Y, CHEN Y, et al. A clinical prediction model for distant metastases of pediatric neuroblastoma:an analysis based on the SEER database[J]. Front Pediatr, 2024, 12:1417818.
[5]	中国抗癌协会小儿肿瘤专业委员会, 中华医学会小儿外科学分会肿瘤学组. 儿童神经母细胞瘤诊疗专家共识CCCG-NB-2021方案[J]. 中华小儿外科杂志, 2022, 43(7):588-598.
[6]	COHN S L, PEARSON A D, LONDON W B, et al. The International Neuroblastoma Risk Group(INRG)classification system:an INRG task force report[J]. J Clin Oncol, 2009, 27(2):289-297.
[7]	李克建, 张濬韬, 任凯旋, 等. 基于MRI影像组学的机器学习模型预测前列腺癌骨转移的价值[J]. 磁共振成像, 2023, 14(1):100-104.
[8]	朱英浩, 王诗淇, 张纬, 等. 预测肺腺鳞癌患者骨转移机器学习模型的建立[J]. 温州医科大学学报, 2023, 53(7):588-594.
[9]	ZHAO X, DONG Y H, XU L Y, et al. Deep bone oncology diagnostics:computed tomography based machine learning for detection of bone tumors from breast cancer metastasis[J]. J Bone Oncol, 2024, 48:100638.
[10]	沈展, 卞晓波, 黄莺, 等. 利用机器学习算法初步构建基于常规检验项目的脑卒中复发预测模型[J]. 检验医学, 2024, 39(12):1190-1195. DOI
[11]	黄莺, 周颖, 宋云霄, 等. 基于机器学习算法构建血常规指标肺结核诊断模型[J]. 检验医学, 2024, 39(7):668-672. DOI
[12]	贾音, 孙婷婷, 刘海东, 等. 常规检验大数据在胃癌早期诊断中的应用[J]. 中华检验医学杂志, 2021, 44(3):197-203.
[13]	LI X, YANG Y, ZHANG B, et al. Lactate metabolism in human health and disease[J]. Signal Transduct Target Ther, 2022, 7(1):305.
[14]	贺晶, 李佳倬, 田鑫, 等. 儿童神经母细胞瘤预后因素分析[J]. 中国小儿血液与肿瘤杂志, 2023, 28(6):342-345.
[15]	冯峰, 齐灿. 肝转移儿童Ⅳ期神经母细胞瘤治疗及临床分析[J]. 河北医药, 2020, 42(4):534-537.
[16]	刘涛, 盛庆丰, 刘江斌, 等. INSS 4期神经母细胞瘤患儿3年无事件生存率的相关因素分析[J]. 临床小儿外科杂志, 2022, 21(2):121-127.
[17]	马越, 王珊, 李长春, 等. 神经母细胞瘤并骨转移患儿临床特征及预后相关因素的单中心分析[J]. 临床小儿外科杂志, 2022, 21(2):115-120.
[18]	LIU S, YIN W, LIN Y, et al. Metastasis pattern and prognosis in children with neuroblastoma[J]. World J Surg Oncol, 2023, 21(1):130. DOI PMID
[19]	LIU Z, THIELE C J. When LMO1 meets MYCN,neuroblastoma is metastatic[J]. Cancer Cell, 2017, 32(3):273-275.
[20]	MEI S, ALCHAHIN A M, EMBAIE B T, et al. Single-cell analyses of metastatic bone marrow in human neuroblastoma reveals microenvironmental remodeling and metastatic signature[J]. JCI Insight, 2024, 9(6):e173337.
[21]	周恩卿, 董瑞. 神经母细胞瘤研究的热点问题进展[J]. 中华小儿外科杂志, 2023, 44(2):173-178.
[22]	JOSEPH G J, JOHNSON D B, JOHNSON R W. Immune checkpoint inhibitors in bone metastasis:clinical challenges,toxicities,and mechanisms[J]. J Bone Oncol, 2023, 43:100505.
[23]	JIAO S, SUBUDHI S K, APARICIO A, et al. Differences in tumor microenvironment dictate T helper lineage polarization and response to immune checkpoint therapy[J]. Cell, 2019, 179(5):1177-1190. DOI PMID

组别	例数	骨转移/例	骨髓转移/例	治疗前危险度分级				Myc基因扩增状态			骨髓原始细胞百分比/%	骨髓巨核细胞计数/个
组别	例数	骨转移/例	骨髓转移/例	极低危/例	低危/例	中危/例	高危/例	扩增/例	未扩增/例	未知/例	骨髓原始细胞百分比/%	骨髓巨核细胞计数/个
训练集	97	35	31	9	30	14	44	11	82	4	1.5（0.0，4.0）	55（6，152）
验证集	41	11	14	2	11	7	21	12	27	2	1.0（0.5，2.0）	69（22，130）
统计值		0.733	0.003								2 184.0	1 865.5
P值		0.392	0.959		0.794^①				0.030^①		0.356	0.567
组别		CD8⁺T细胞百分比/%		CD8⁺T细胞绝对数/（个·μL^-1）				血红蛋白/（g·L^-1）			LDH/（U·L^-1）
训练集		23.03（20.61，26.70）		691.86（468.72，1 014.67）				110（92，124）			331（279，546）
验证集		23.01（19.05，25.89）		621.49（443.86，885.99）				109（98，122）			310（258，677）
统计值		2 160.0		2 264.5				2 031.5			2 114.0
P值		0.426		0.199				0.843			0.560

组别	例数	骨转移/例	骨髓转移/例	治疗前危险度分级				Myc基因扩增状态			骨髓原始细胞百分比/%	骨髓巨核细胞计数/个
组别	例数	骨转移/例	骨髓转移/例	极低危/例	低危/例	中危/例	高危/例	扩增/例	未扩增/例	未知/例	骨髓原始细胞百分比/%	骨髓巨核细胞计数/个
训练集	97	35	31	9	30	14	44	11	82	4	1.5（0.0，4.0）	55（6，152）
验证集	41	11	14	2	11	7	21	12	27	2	1.0（0.5，2.0）	69（22，130）
统计值		0.733	0.003								2 184.0	1 865.5
P值		0.392	0.959		0.794^①				0.030^①		0.356	0.567
组别		CD8⁺T细胞百分比/%		CD8⁺T细胞绝对数/（个·μL^-1）				血红蛋白/（g·L^-1）			LDH/（U·L^-1）
训练集		23.03（20.61，26.70）		691.86（468.72，1 014.67）				110（92，124）			331（279，546）
验证集		23.01（19.05，25.89）		621.49（443.86，885.99）				109（98，122）			310（258，677）
统计值		2 160.0		2 264.5				2 031.5			2 114.0
P值		0.426		0.199				0.843			0.560

模型	AUC（95%CI^①）	准确度/%	敏感性/%	特异性/%	精确度/%	F1分数
训练集
ExtraTrees	1.000（1.000~1.000）	100.0	100.0	100.0	100.0	1.000
Xgboost	0.977（0.950~1.000）	94.8	94.3	95.2	91.7	0.930
RF	1.000（1.000~1.000）	100.0	100.0	100.0	100.0	1.000
SVM	0.981（0.960~1.000）	93.8	94.3	93.5	89.2	0.917
KNN	0.991（0.979~1.000）	94.8	100.0	91.9	87.5	0.933
LR	0.994（0.983~1.000）	97.9	97.1	98.4	97.1	0.971
GBM	1.000（1.000~1.000）	100.0	100.0	100.0	100.0	1.000
NaiveBayes	0.988（0.974~1.000）	93.8	100.0	90.3	85.4	0.921
MLP	0.928（0.864~0.992）	91.8	85.7	95.2	90.9	0.882
验证集
ExtraTrees	0.927（0.845~1.000）	90.2	90.9	90.0	76.9	0.833
Xgboost	0.924（0.835~1.000）	87.8	90.9	86.7	71.4	0.800
RF	0.903（0.804~1.000）	87.8	90.9	86.7	71.4	0.800
SVM	0.897（0.791~1.000）	85.4	90.9	83.3	66.7	0.769
KNN	0.886（0.760~1.000）	87.8	90.9	86.7	71.4	0.800
LR	0.885（0.757~1.000）	90.2	90.9	90.0	76.9	0.833
GBM	0.885（0.768~1.000）	87.8	90.9	86.7	71.4	0.800
NaiveBayes	0.864（0.753~0.974）	80.5	90.9	76.7	58.8	0.714
MLP	0.717（0.518~0.916）	73.2	72.7	73.3	50.0	0.593

模型	AUC（95%CI^①）	准确度/%	敏感性/%	特异性/%	精确度/%	F1分数
训练集
ExtraTrees	1.000（1.000~1.000）	100.0	100.0	100.0	100.0	1.000
Xgboost	0.977（0.950~1.000）	94.8	94.3	95.2	91.7	0.930
RF	1.000（1.000~1.000）	100.0	100.0	100.0	100.0	1.000
SVM	0.981（0.960~1.000）	93.8	94.3	93.5	89.2	0.917
KNN	0.991（0.979~1.000）	94.8	100.0	91.9	87.5	0.933
LR	0.994（0.983~1.000）	97.9	97.1	98.4	97.1	0.971
GBM	1.000（1.000~1.000）	100.0	100.0	100.0	100.0	1.000
NaiveBayes	0.988（0.974~1.000）	93.8	100.0	90.3	85.4	0.921
MLP	0.928（0.864~0.992）	91.8	85.7	95.2	90.9	0.882
验证集
ExtraTrees	0.927（0.845~1.000）	90.2	90.9	90.0	76.9	0.833
Xgboost	0.924（0.835~1.000）	87.8	90.9	86.7	71.4	0.800
RF	0.903（0.804~1.000）	87.8	90.9	86.7	71.4	0.800
SVM	0.897（0.791~1.000）	85.4	90.9	83.3	66.7	0.769
KNN	0.886（0.760~1.000）	87.8	90.9	86.7	71.4	0.800
LR	0.885（0.757~1.000）	90.2	90.9	90.0	76.9	0.833
GBM	0.885（0.768~1.000）	87.8	90.9	86.7	71.4	0.800
NaiveBayes	0.864（0.753~0.974）	80.5	90.9	76.7	58.8	0.714
MLP	0.717（0.518~0.916）	73.2	72.7	73.3	50.0	0.593

基于机器学习算法建立神经母细胞瘤骨转移风险评估模型

Construction of a machine learning-based model for predicting the risk of neuroblastoma bone metastasis

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 23

相关文章 14

编辑推荐

Metrics

[1]	王雪星, 陈春梅, 何媛, 楚杰, 魏春梅. 血栓弹力图和凝血指标预测肿瘤相关静脉血栓栓塞症的价值[J]. 检验医学, 2024, 39(5): 491-496.
[2]	沈展, 卞晓波, 黄莺, 汪思阳, 沈婷婷, 张娴, 宋云霄, 谢连红. 利用机器学习算法初步构建基于常规检验项目的脑卒中复发预测模型[J]. 检验医学, 2024, 39(12): 1190-1195.
[3]	章黎华, 王维维, 邱丽君, 姜文理, 马娟, 沈立松. 小儿神经母细胞瘤治疗后继发急性髓系白血病1例报道[J]. 检验医学, 2022, 37(10): 1002-1004.
[4]	许晨, 唐晓峰. 血清CX3CL1在肺癌骨转移中的临床意义[J]. 检验医学, 2018, 33(4): 295-298.
[5]	吴京, 谢惠英, 蔡梦洁, 葛歆悦, 娄加陶. 肺癌骨转移患者6项骨代谢指标的变化[J]. 检验医学, 2016, 31(10): 904-906.
[6]	庄文芳, 陈燕红, 罗瑞萍, 吴婧, 宣彬彬, 曹雅楠, 杨莉, 盛慧明. 药物基因组学方程对上海患者华法林抗凝治疗稳定剂量预测准确性的评估[J]. 检验医学, 2015, 30(7): 697-702.
[7]	李洪文. 神经母细胞瘤细胞形态和细胞化学染色特点初探[J]. 检验医学, 2013, 28(8): 733-733.
[8]	庄文芳，吴婧，李莉. 华法林给药剂量预测模型的建立与应用[J]. 检验医学, 2013, 28(12): 1157-1161.
[9]	莫武宁;韦善求. 骨髓涂片检查对神经母细胞瘤诊断的意义[J]. 检验医学, 2011, 26(06): 394-397.
[10]	杨学农;郑晓萌;杨晓荣;武湘云;徐琳. 三例神经母细胞瘤患者骨髓细胞学分析[J]. 检验医学, 2008, 23(02): 203-205.
[11]	赵志勇;周予兰;王伟. 血清骨钙素测定在肺癌骨转移诊断中的价值[J]. 检验医学, 2007, 22(04): 484-485.
[12]	周道银;陆志成;俞靖龙;高莉;范华杰. 小儿胸水常规细胞学检查诊断神经节神经母细胞瘤一例[J]. 检验医学, 2006, 21(02): 181-182.
[13]	张云香;郎晓东;赵丽萍;张荣花;苗霞;居瑞雪. 慢性粒细胞性白血病并发骨转移性肿瘤一例[J]. 检验医学, 2001, 16(02): 124-124.
[14]	甘洁民；朱汉民. 抗酒石酸酸性磷酸酶的测定及临床应用[J]. 检验医学, 1997, 12(1): 31-32.