可解释的人工智能机器学习在节点-阳性、非Metastatic Prostate Cancer的个体化生存预测中的应用：一
一项国际医学研究带来了新的发现，相关成果对疾病防治科普具有重要参考价值。具有区域淋巴结参与但无远处转移（N1M0）的复杂预后。本研究旨在开发和验证可解释的机器学习模型预测特定癌症-特异性生存期（CSS）。
18,287 N1M0患者的18,287例 N1M0患者在SEER数据库中的数据被分为训练（n = 4780），内部测试（n = 1193），和两个临时验证 cohort（n = 3149； n = 9165）。Cox proportional hazards和四个机器学习模型被比较使用C-指数，时间-依赖AUC，和Integrated Brier Score。SHAP was used for interpretability，而 IPTW for sensitivity analysis。
随机生存森林（Random Survival Forest，RSF）在所有模型中均取得了更高的C-指数（0.697 internal; 0.740 temporal validation）。nRSF-Stratified Risk Groups显示了显著的生存差异（P < 0.001））。
SHAP（Survival Heterogeneity Analysis）揭示了深部前列腺切除术作为最强大的保护因子，紧随其后的是更低的T细胞和PSA水平。IPTW（International Prostate Cancer Foundation）确认了积极的局部控制生存效益。
CSS 在区分性准确性上的表现优于整体生存率。RSF 模型提供了准确、稳健、可解释的预后信息，对 N1M0 非典型前列腺癌患者具有重要的指导意义。作为一款基于 Web 的计算器，它实现了精确的风险分层和个性化的治疗规划。
需要说明的是，以上内容依据国际公开研究成果整理，供健康科普参考，不构成诊疗建议。如有健康疑问，请咨询专业医务人员。
