机器学习模型精准预测十二指肠腺癌术后复发，为临床诊疗指明新方向

为解决十二指肠腺癌（DA）预后和复发风险预测难题，多中心研究人员开展 DA 术后复发预测模型研究。结果显示 PAM 模型预测性能良好。推荐阅读，该研究为 DA 临床诊疗提供新工具，极具科研与临床价值。

　　

在医学领域，小肠腺癌是一种比较罕见的癌症，其中十二指肠腺癌（DA）更是少见。不过，让人担忧的是，近年来 DA 的发病率却在悄悄上升。虽然相比其他壶腹周围恶性肿瘤，DA 的预后看似好一些，但它的 5 年生存率还是低得让人揪心，只有大约 50%。而且，DA 的复发率相当高，达到 30 - 60%。这就意味着，很多患者在手术后还面临着癌症复发的威胁，病情随时可能卷土重来。

目前，对于 DA 的预后和复发风险因素，医学界还没有完全弄清楚。虽然有一些研究指出，像非 R?切除、血管侵犯、术后并发症、淋巴结转移和腹膜侵犯等，可能是 DA 的不良预后因素，但这些研究非常有限。另外，常用的 AJCC 第 8 版分期系统，对 DA 预后的预测能力也很差。这就好比在黑暗中摸索，医生们缺乏有效的工具来判断患者的病情发展和复发风险，无法为患者提供精准的治疗方案和后续的护理建议。

为了打破这种困境，给医生和患者带来新的希望，来自多个中国医院（包括国家癌症中心、北京天坛医院等 16 家三甲医院）的研究人员，在《BMC Medicine》期刊上发表了一篇名为《Development and validation of a machine learning - based model for predicting recurrence in patients with duodenal adenocarcinoma》的论文。他们通过研究，成功开发出了一种基于机器学习的模型 ——Penalized Regression + Accelerated Oblique Random Survival Forest 模型（PAM），这个模型可以用来预测 DA 患者术后的复发情况。这一成果意义重大，它就像给医生们提供了一个 “水晶球”，帮助他们更准确地评估患者病情的严重程度，更好地安排患者的随访计划，还能辅助制定更有效的辅助治疗策略。

研究人员在这项研究中，运用了多种关键技术方法。他们开展了一项多中心回顾性队列研究，收集了 2012 年到 2023 年期间 1830 例接受根治性手术的 DA 患者的数据。在数据分析过程中，使用了十种机器学习算法（如 Akritas estimator（AKE）、Gradient Boosting（GB）等）和 Wrapper 方法进行预测因子的筛选。之后，将筛选出的特征子集与十种机器学习算法组合，构建了 100 个预测模型，并通过一致性指数（C-index）、时间依赖性校准曲线、时间依赖性受试者工作特征曲线以及决策曲线分析等方法，对模型的性能进行评估。

下面，我们来看看这项研究的具体结果。

1. 患者特征：研究人员最初找到了 2189 例接受根治性手术的 DA 患者，但经过严格筛选，排除了 359 例不符合标准的患者，最终确定了 1830 例患者纳入分析。这些患者被分成了一个训练队列和三个独立的外部验证队列。训练队列有 1449 人，验证队列 1 有 136 人，验证队列 2 有 105 人，验证队列 3 有 140 人。各个队列的患者在年龄、性别、随访时间和复发率等方面都存在一些差异 。
2. 预测因子选择：研究人员从训练队列中挑选了 53 个变量，用十种机器学习算法和 Wrapper 方法进行预测因子筛选，最终得到了十个特征子集。这些特征子集包含了许多可能与 DA 患者术后复发相关的因素。
3. 模型开发、验证和评估：研究人员把十个特征子集和十种机器学习算法相结合，开发出了 100 个预测模型。在这些模型中，PAM 模型脱颖而出。它在三个验证队列中的平均 C-index 达到了 0.739，在训练队列中的 C-index 更是高达 0.882，在验证队列 1、2、3 中的 C-index 分别为 0.747、0.736 和 0.734。时间依赖性校准曲线显示，PAM 在训练队列和三个验证队列中都达到了中等校准。时间依赖性 ROC 曲线表明，PAM 在 1 年、3 年和 5 年都有很强的预测准确性。决策曲线分析也证明，PAM 在不同阈值概率下都能为临床决策提供实用价值，在四个队列中都比 “不治疗” 和 “全部治疗” 的策略更有优势。
4. 模型解释和分期系统开发：时间依赖性特征重要性曲线显示，在随访期间，阳性淋巴结数量、侵犯邻近器官或结构以及肿瘤最大直径是最重要的影响因素。研究人员还利用生存树（ST）确定了风险评分的临界值，把患者分为高、中、低风险组，并且开发了一个基于网络的风险计算器和分期系统。累积风险曲线显示，高、中、低风险组的复发率在四个队列中都有显著差异。

从研究结论和讨论部分来看，PAM 模型在预测 DA 患者术后复发方面表现出了一定的准确性和稳定性。它的出现，为医生评估患者病情、制定治疗方案和安排随访提供了有力的支持。不过，这个模型也有一些不足之处。比如，它主要是基于中国患者的数据开发的，在不同种族人群中的适用性还需要进一步验证；由于缺乏标准化治疗指南，像辅助化疗和放疗等潜在的预后变量数据缺失，限制了模型的预测能力；模型没有纳入分子病理学特征，可能影响了预测的准确性；而且研究是回顾性的，存在数据缺失的问题。尽管如此，这项研究仍然为 DA 的治疗和管理开辟了新的道路。它为缺乏有效预测工具的 DA 领域提供了一个宝贵的资源，为后续的研究和临床实践奠定了基础。未来，还需要开展前瞻性国际多中心研究，进一步完善和验证 PAM 模型，让它能更好地服务于全球的 DA 患者。