编辑推荐：
本研究针对T1期结直肠癌术后复发问题，利用生存机器学习算法构建预测模型，揭示关键预后因素，为临床决策提供重要参考，助力精准医疗
T1期结直肠癌是临床上常见的癌症类型之一，术后复发风险评估一直是治疗决策中的关键难题。为了更精准地预测术后复发风险，新疆医科大学的研究团队开展了一项基于生存机器学习算法的研究，旨在构建一个高效的术后复发预测模型。该研究通过分析大量临床数据，筛选出关键预后因素，并利用多种机器学习模型进行预测效能评估，最终发现随机生存森林（Random Survival Forest, RSF）模型表现优异，其C-index达到0.848，Integrated Brier Score为0.098，显示出良好的预测性能。研究结果不仅为T1期结直肠癌患者的个体化预后评估提供了有力工具，也为精准医疗的发展提供了新的思路。论文发表在国际知名期刊《BMC Cancer》上，为相关领域的研究和临床实践带来了重要启示。
研究背景与意义
结直肠癌是全球范围内发病率较高的恶性肿瘤之一，其中T1期结直肠癌患者的治疗选择一直是临床实践中的难点。随着内镜技术的不断进步，内镜下切除和手术切除成为T1期结直肠癌的主要治疗手段。然而，术后复发风险的准确评估对于制定后续治疗方案至关重要。传统的预后评估方法往往依赖于病理特征和临床经验，但其预测精度有限。近年来，机器学习技术在医学领域的应用逐渐增多，为精准医疗带来了新的机遇。新疆医科大学的研究团队敏锐地捕捉到这一趋势，利用生存机器学习算法构建了一个高效的术后复发预测模型，旨在为T1期结直肠癌患者的个体化预后评估提供更精准的工具。
研究方法
研究人员从新疆医科大学附属肿瘤医院和第一附属医院收集了2017年10月至2023年3月期间的580例T1期结直肠癌患者的临床数据。这些数据包括患者的个人信息、治疗方式以及病理相关信息。研究团队首先利用Boruta算法进行特征筛选，识别出对模型有显著贡献的预测因子。随后，将患者数据分为训练集和测试集（比例为7:3），并构建了五种生存机器学习模型：随机生存森林（RSF）、梯度提升（Gradient Boosting, GB）、生存树（Survival Tree, ST）、Cox比例风险模型（CoxPH）和Coxnet。为了评估模型性能，研究人员采用了时间依赖的ROC曲线、C-index和Integrated Brier Score作为评价指标，并利用SHAP算法对模型进行可解释性分析。
研究结果
基线特征分析
研究纳入的580例患者中，151例接受内镜下切除（ER），283例接受手术切除（SURG），146例接受内镜下切除联合手术切除（ER+SURG）。大部分患者无结直肠癌家族史（98.4%），59.1%的患者肿瘤为中度分化，仅有2.0%的患者为低分化。病变部位主要集中在直肠（42.6%）和结肠（57.4%）。大多数患者的肿瘤标志物（CEA和CA19-9）均为阴性（93.3%和95.3%）。高危淋巴结转移患者占比不到10%，淋巴血管侵犯和神经周围侵犯的发生率为6.2%，深部黏膜下浸润的发生率为6.7%。研究发现，高危组患者的复发预后显著差于低危组，而不同治疗方式对复发预后的影响并不显著。
特征筛选
基于Boruta算法的特征筛选结果显示，黏膜下浸润深度、肿瘤芽生分级、淋巴血管侵犯、神经周围侵犯、错配修复蛋白和分化程度被确认为关键特征，而肿瘤大小为待定特征。这些特征在模型中表现出显著的预测价值。
模型性能评估
在五种模型中，随机生存森林（RSF）模型表现最为出色，其在测试集中的C-index达到0.848，Integrated Brier Score为0.098，时间依赖的AUC值为0.918。这表明RSF模型具有较高的预测准确性和稳定性。SHAP可解释性分析进一步揭示了模型的关键影响因素：黏膜下浸润深度<1000μm、肿瘤芽生分级为BD1、无淋巴血管侵犯和神经周围侵犯、高分化癌细胞以及肿瘤大小<20mm对模型有积极影响，而这些特征的缺失则会增加患者复发的风险。
研究结论与讨论
本研究通过构建基于生存机器学习的预测模型，为T1期结直肠癌术后复发风险的精准评估提供了一个高效、可靠的工具。研究结果表明，关键病理特征与术后复发风险之间存在显著相关性，这些特征结合模型可以为临床决策提供重要参考。此外，研究还强调了在精准医疗背景下，机器学习技术与医学知识相结合的重要性。未来的研究可以进一步探索深度学习等更先进的技术，以提高模型的预测性能和可解释性。总之，本研究不仅为T1期结直肠癌的个体化预后评估提供了新的方法，也为精准医疗的发展提供了有力支持。
