LASSO不僅常用在影像學數(shù)據(jù)分析中[1-2]，也用于各臨床研究領域建立預測模型。

1、外周血中的DNA甲基化特征預測全因死亡率[3]， Nature Communications，2017（SCI IF=12.3）

2、基質免疫型對肌肉浸潤性膀胱癌患者輔助化療預后的預測模型[4]， Clinical Cancer Research，2018（SCI IF=10.2）

3、生物標志物與透明細胞腎癌預后的預測價值[5]，BJU International, 2017（SCI IF=4.7）

用指標XS01-XS30,對預后（status）進行預測，隨訪時間是time，采用LASSO 回歸等方法建立預測模型。

下載練習數(shù)據(jù)：

http://www./empowerStats/exdata/lassotest.xls

每個研究對象一行，每個指標一列。二分類變量status編碼0和1（其中0為參照），連續(xù)變量記錄數(shù)值，隨訪時間time是連續(xù)變量。

基本統(tǒng)計回歸分析菜單下“LASSO 回歸”模塊，設置應變量為status, 自變量為XS01-XS30, 時間變量time，應變量類型選3：Survival（生存狀態(tài)），輸入界面如下：

LASSO lambda 篩選圖

LASSO 回歸系數(shù)與lambda對應關系圖

time-dependent AUC曲線擬合圖

ROC曲線圖

基線有眾多同類指標、有隨訪、有預后（死亡或復發(fā)等），就可以用LASSO Cox回歸建立預測模型。

參考文獻

[1]  Wu S, Zheng J, Li Y, et al. A Radiomics Nomogram for the Preoperative Prediction of Lymph Node Metastasis in Bladder Cancer[J]. Clinical Cancer Research, 2017,23(22):6904-6911.

[2]  Huang Y Q, Liang C H, He L, et al. Development and Validation of a Radiomics Nomogram for Preoperative Prediction of Lymph Node Metastasis in Colorectal Cancer[J]. J Clin Oncol, 2016,34(18):2157-2164.

[3]  Zhang Y, Wilson R, Heiss J, et al. DNA methylation signatures in peripheral blood strongly predict all-cause mortality[J]. Nature Communications, 2017,8:14617.

[4]  Fu H, Zhu Y, Wang Y, et al. Identification and Validation of Stromal Immunotype Predict Survival and Benefit from Adjuvant Chemotherapy in Patients with Muscle-Invasive Bladder Cancer[J]. Clinical Cancer Research, 2018,24(13):3069-3078.

[5]  Haddad A Q, Luo J, Krabbe L, et al. Prognostic value of tissue-based biomarker signature in clear cell renal cell carcinoma[J]. BJU International, 2017,119(5):741-747.