摘要目的:构建融合临床常规参数及肿瘤突变负荷(TMB)的机器学习模型,并评估其对各类癌症患者程序性死亡受体1(PD-1)/程序性死亡受体配体1(PD-L1)抑制剂治疗应答的预测价值.方法:回顾性研究2019年11月至2022年10月在浙江大学医学院附属第一医院接受PD-1/PD-L1抑制剂治疗的146例晚期癌症患者的临床资料.采用分层随机抽样法按4∶1比例将患者分为训练集(116例)和验证集(30例).整合患者年龄、性别、体重指数、TMB、全身治疗史、中性粒细胞与淋巴细胞比值及其他血常规参数,基于PyTorch框架构建多层感知机网络,利用AutoGluon进行超参数自动优化,通过五折交叉验证进行模型优化,并应用梯度沙普利可加性特征解释(SHAP)算法在训练集中对最优模型进行特征重要性分析.通过受试者操作特征曲线下面积(AUC)、准确率、F1分数、灵敏度和特异度等指标比较NNT9模型与单一TMB指标的预测性能,随后绘制混淆矩阵以直观评估模型的判别能力,最后分析模型预测的PD-1/PD-L1抑制剂治疗应答差异与患者无进展生存时间的关系.结果:最终构建的最优模型为NNT9,全身治疗史、TMB、血小板计数和体重指数为前四位预测因子.构建的NNT9模型在训练集和验证集中的AUC分别为0.949和0.851,均优于单一TMB(AUC分别为0.747和0.720).在验证集中,NNT9模型的灵敏度(0.571)、准确率(0.867)、F1分数(0.667)、阳性预测值(0.800)和阴性预测值(0.880)均优于TMB.在验证集中,NNT9模型错误分类的患者例数仅为TMB的一半.Kaplan-Meier生存分析显示,在训练集和验证集中,NNT9模型预测为免疫治疗应答组的患者,其无进展生存时间显著长于非应答组的患者(均P<0.01).结论:融合临床常规参数及TMB的机器学习模型可作为一种精准且可行的工具用于预测不同类型癌症患者的免疫治疗获益.