| （a） |
| （b） |
| （c） |
| （d） |
| （e） |
| （f） |
| （g） |
| （h） |
| (一) |
研究文章
基于复发特异基因的肺腺癌机器学习预后预测模型
图3
RFS预测模型的效率(a） Kaplan-Meier（K-M）曲线证实，该特征可以显著区分训练队列中的低风险组和高风险组(b） K-M曲线证实，该特征可以显著区分内部验证队列中的低风险组和高风险组(c） K-M曲线证实，该特征可以显著区分外部验证队列（GSE68465）中的低风险组和高风险组(d–g）K-M曲线证实预测模型可以区分病理亚组（d，e）和吸烟史亚组（f，g）中的低风险组和高风险组(h） 森林样地显示多变量cox分析结果(i） 受试者工作特征曲线显示，与其他临床病理特征相比，预测模型获得了良好的预测效果。