这篇文档属于类型a，即报告了一项单一的原创研究。以下是针对该研究的学术报告：
作者与发表信息
本研究由Miyun Zheng、Maodong Xu、Mengxing You和Zhiqing Huang共同完成。研究团队分别来自中国莆田市第一医院眼科、福建医科大学临床医学院以及莆田市第一医院肿瘤科。该研究于2025年1月29日发表在Frontiers in Medicine期刊上，DOI为10.3389/fmed.2025.1494925，并且是一篇开放获取的文章。
学术背景
本研究聚焦于眼黑色素瘤（Ocular Melanoma, OM），这是一种罕见但致死率较高的黑色素瘤亚型。尽管其发病率仅为每百万人口6.2例，占所有黑色素瘤病例的约5%，但其侵袭性强且具有高转移潜力，导致预后较差。目前，尚缺乏可靠的预后模型来预测OM患者的生存结果。因此，本研究旨在开发一种基于机器学习（Machine Learning）和内部验证技术的预后列线图（Nomogram），以提高OM患者的预后预测能力，并为临床决策提供支持。
研究流程
本研究分为以下几个主要步骤：
数据收集与患者选择
研究数据来源于美国国家癌症研究所的SEER（Surveillance, Epidemiology, and End Results）数据库，时间跨度为2000年至2021年。研究纳入了9120名原发性OM患者，排除标准包括生存数据未知、生存时间少于1个月、未知侧位性（laterality）、SEER分期（stage）、种族和婚姻状态的患者。
变量选择与预后因素分析
研究采用单变量和多变量Cox比例风险回归模型（Cox Proportional Hazards Regression Model）筛选独立的预后因素。最终确定了13个独立预后变量，包括年龄、性别、肿瘤部位、组织学亚型、分期、基底直径大小、肿瘤厚度、肝转移、首次恶性原发指标（First Malignant Primary Indicator, FMPI）、婚姻状态以及治疗方式（手术/放疗/化疗）。
列线图构建与验证
基于上述预后变量，研究构建了一个用于预测OM患者3年、5年和10年生存率的列线图。模型的预测准确性通过ROC曲线（Receiver Operating Characteristic Curve）、校准图（Calibration Plot）、决策曲线分析（Decision Curve Analysis, DCA）以及10折交叉验证（10-fold Cross-validation）进行评估。
机器学习模型的应用
研究还采用了机器学习算法XGBoost（Extreme Gradient Boosting）结合SHAP（Shapley Additive Explanations）方法，进一步评估模型的预测能力。SHAP方法用于解释机器学习模型的预测结果，并确定各变量对模型预测的贡献。
统计分析
研究使用X-tile软件确定连续变量的最佳截断值，并采用Kaplan-Meier方法分析总体生存率（Overall Survival, OS）。所有统计分析均在RStudio软件中完成，统计检验均为双侧，显著性水平设定为p < 0.05。
主要结果
1. 预后因素分析结果
多变量Cox回归分析显示，年龄>61岁、男性、肿瘤部位为非脉络膜、非梭形细胞类型、非局限性病变、基底直径>14.9 mm、肿瘤厚度>5.1 mm、肝转移、离婚或丧偶状态以及接受手术或化疗的患者具有更高的死亡风险。而首次恶性原发指标为OM、未婚状态以及接受放疗的患者则表现出更好的生存率。
列线图性能评估
列线图的C指数（Concordance Index）为0.712，表明模型具有良好的区分能力。ROC曲线显示，预测3年、5年和10年生存率的AUC（Area Under Curve）分别为0.749、0.734和0.730。校准图显示预测概率与实际观察结果高度一致，DCA表明模型在临床决策中具有显著的净效益。10折交叉验证的平均AUC为0.725，进一步验证了模型的稳健性。
机器学习模型结果
SHAP分析显示，肝转移是对模型预测影响最大的变量，其次是年龄、放疗、分期等。机器学习模型的AUC为0.750，与列线图模型的结果高度一致。
结论
本研究成功开发了一个包含13个重要临床病理变量的预后列线图，用于预测OM患者的生存率。通过ROC曲线、校准图、DCA、10折交叉验证以及机器学习模型的综合评估，证明了该列线图在预测OM患者生存结果方面的强大性能。该研究不仅增强了我们对OM预后的理解，还为临床医生提供了有力的决策支持工具。
研究亮点
1. 创新性方法：结合了传统的列线图模型与机器学习算法（XGBoost和SHAP），实现了对OM预后的多维度评估。
2. 全面性分析：纳入了13个独立的临床病理变量，涵盖了年龄、性别、肿瘤特征、治疗方式等多个方面。
3. 高预测性能：通过多种验证方法，证明了模型的高准确性和临床实用性。
4. 数据规模：基于SEER数据库的大样本量（9120名患者），增强了研究结果的可靠性和普适性。
其他价值
本研究为罕见疾病（如OM）的预后模型开发提供了范例，展示了如何结合传统统计方法与现代机器学习技术，以提高预测模型的准确性和解释性。未来，该模型可进一步结合分子病理特征和基因组数据，以构建更精确的预后预测工具。
这篇报告详细介绍了研究的背景、方法、结果和意义，为研究人员提供了全面的参考。