为了应广大粉丝朋友的需求，生信湾之前给着急毕业的小伙伴推荐过很多“毕业神刊”，今天继续给大家带来一本综合类神刊，堪称Nature的“嫡水刊”——Scientific Reports（中科院二区，IF=3.8）！
为什么说Scientific Reports是“嫡水刊”呢？主要有以下几个特点：
1、发文量大：该期刊的年发文量巨大，2022年发文量已超过2万篇，2023 - 2024年的年发表文章数量也达到了22037篇。
2、录用率相对较高：相比一些顶级的科学期刊，Scientific Reports的录用率较高，接受文章的门槛相对较低，对新颖性和创新性的要求不是特别高，手上有难发表的文章试试这本期刊~
3、费用较高：该期刊是开放获取期刊，需要作者支付较高的版面费。较高的费用可能会让一些人认为，只要愿意花钱，就能够在该期刊上发表文章，从而给人一种“水刊”的印象。
这样看来，Scientific Reports确实有一些“水刊”的性质哈哈！不过作为Nature旗下的子刊，大概率不会有预警的风险，不仅没预警，今年还跃升到中科院二区了！着急评职称/毕业的朋友们大胆冲吧！
接下来，给大家分享一篇近期发表在该期刊上的文章，思路非常值得借鉴，各位小伙伴们快来学习！学会了之后，明天组会的时候就可以汇报给导师啦，说不定毕业课题就有着落了呢~再配上这样的水刊，一篇SCI可能也就到手了，多美的一件事啊~
该论文由广西医科大学等多个团队共同合作完成，作者运用机器学习算法，利用SEER数据库数据，构建并评估了用于预测胃神经内分泌肿瘤（gNENs）患者生存率和风险分层的模型。话不多说，接下来咱们就开始进入今天的主题，一起来研读这篇文章吧~
PS：无论你是刚踏入科研大门的新手小白，还是在科研界摸爬滚打多年的“老江湖”，都需要文章来为科研事业增光添彩。选择适合自己的方案才能让研究事半功倍，快来联系生信湾定制专属于你的方案吧！
l题目：用于胃神经内分泌肿瘤风险分层和生存预测的随机生存森林算法
l杂志：Scientific Reports
l影响因子：IF=3.8
l发表时间：2024年11月
（注：公众号后台回复“123”获取文献全文！文献编号：20241114）
胃神经内分泌肿瘤（gNENs）发病率上升且临床意义重大，但缺乏理想预测模型。准确预测其生存率对临床决策至关重要，而传统预测模型效果有限。因此，本研究旨在利用机器学习算法构建更有效的gNENs预后预测模型，以提升临床治疗和管理水平。
本研究的数据来源于SEER数据库（Surveillance, Epidemiology, and End Results database），其涵盖约28%美国人口，包含癌症发病率和死亡率等综合数据。研究通过SEER*Stat软件识别2000 - 2019年确诊为gNENs的患者，并随机分配至训练集和验证集。
1. 数据获取与处理：从SEER数据库提取gNENs患者数据，随机分训练集和验证集，处理缺失数据。
2. 模型构建与筛选：用10种算法及101种组合建生存预测模型，用LOOCV法筛选，确定最优RSF模型。
3. 模型评估与应用：评估RSF模型性能，进行风险分层，对比AJCC分期系统，分析模型优劣及应用前景。
1. 患者特征分析
本研究分析了775例gNENs患者，其中543例入训练集，232例入验证集。两组在种族、性别、治疗情况、肿瘤特征等方面无显著差异。训练集1、3、5年累积死亡率分别为40.0%、48.6%、54.0%，中位随访42个月；验证集对应死亡率为29.1%、43.5%、53.2%，中位随访48个月，累积死亡率无显著差异。
表1：训练集和验证集患者的各项人口统计学及临床特征数据
2. RSF模型构建与评估（训练集）
基于训练集数据，通过LOOCV框架拟合101个预测模型，计算AUC值后确定RSF模型最优，其平均AUC为0.839。该模型包含11个特征，在预测1、3、5年生存情况时，AUC值均高于第8版AJCC分期系统，且校准曲线显示出可接受的一致性。
图1A：训练集RSF模型与AJCC分期系统预测1、3、5年生存的时间依赖性ROC曲线对比
图2A - C：训练集1、3、5年生存概率的校准曲线。
3. RSF模型评估（验证集）
在验证集中，RSF模型预测1、3、5年生存的AUC值分别为0.88、0.92、0.89，除1年外，3年和5年时显著优于AJCC分期系统。校准曲线也呈现出可接受的一致性，校准截距和斜率在合理范围。
图1B：验证集RSF模型与AJCC分期系统预测1、3、5年生存的时间依赖性ROC曲线对比。
图2D - F：验证集1、3、5年生存概率的校准曲线。
4. 风险分层结果
根据训练集确定将患者分为高低风险组的阈值为53.84，高风险组患者死亡风险更高。验证集按此阈值分组后，Kaplan - Meier曲线显示两组生存时间有显著差异，高风险组1、3、5年累积死亡率分别为54.1%、76.2%、84.4%，低风险组为0.9%、6.5%、17.8%。
图3：根据预后风险评分对患者进行风险分层的分布情况。
图4：高低风险组的Kaplan - Meier生存曲线。
5. 基于AJCC分期的亚组生存分析
基于AJCC分期系统进行亚组生存分析，按风险评分分层后，AJCC I期高低风险组生存差异显著，低风险组结局更好；AJCC II期高低风险组生存差异也显著；AJCC III期高风险组生存率虽低但差异无统计学意义；AJCC IV期患者均在高风险组。
图5：分别展示了AJCC I期、II期、III期高低风险组的生存曲线对比。
综上，本研究基于SEER数据库数据，通过多种机器学习算法构建模型，为gNENs的预后预测提供了新的潜在工具。随着诺奖这波浪潮，机器学习在医学研究中的应用如今备受关注！此外，利用大数据构建预测模型也是当前的热门科研方向，与临床数据相结合更是能为研究增添亮点。把握这个趋势，何愁发不了高分？思路设计、生信分析都可以找生信湾哦，期待与你一起在科研道路上前行~
合集 · 推荐
注：本文为原创编译，非声张版权，侵删！
