基于机器学习的肺鳞癌亚型鉴定与预后预测整合模型研究

肺鳞癌(LUSC)预后预测精度不足，传统TNM分期存在局限。本研究通过无监督聚类鉴定出C1/C2两种LUSC亚型，构建含TGM2等9基因标志物的机器学习模型，开发在线预后预测工具(https://hznuduan.shinyapps.io/LCSP/)，其tdAUC达0.819，显著优于14个已发表标志物，为个体化治疗提供新策略。

　　

肺鳞状细胞癌(LUSC)占肺癌病例30%，晚期患者预后普遍较差。尽管靶向治疗和免疫治疗取得进展，但肿瘤异质性导致疗效差异显著。传统TNM分期系统预测精度有限，亟需建立更精准的分子分型体系。杭州师范大学附属医院肿瘤科的光亮段、戴惠平等团队在《Discover Oncology》发表研究，通过整合多组学数据和机器学习算法，为LUSC的个体化诊疗提供新范式。

研究采用TCGA-LUSC(n=472)作为训练集，GSE30219(n=61)和GSE73403(n=69)作为独立验证集。关键技术包括：(1)基于GeneCards数据库筛选261个肺癌相关基因；(2)通过轮廓系数、CH指数和McClain指数确定最佳聚类数；(3)使用EPIC算法评估肿瘤微环境；(4)构建随机森林(RSF)、CoxBoost(CXB)和梯度提升机(GBM)三种生存预测模型；(5)开发Shiny交互式预后工具。

【分类与验证】通过k-means聚类鉴定出C1（预后差，富含CAFs和巨噬细胞）和C2（预后好，CD8⁺T细胞浸润）亚型。在验证集中，C2患者死亡风险显著降低(HR=0.41,95%CI 0.26-0.67)。

【微环境特征】C1亚型B细胞、内皮细胞丰度较高(Z=2.3,p<0.05)，而C2亚型CD8⁺T细胞显著富集。

【化疗响应】C2亚型接受含铂化疗方案患者生存最优，为临床决策提供依据。

【基因标志物】从随机森林模型提取的9基因标志物(TGM²、AOC³等)在验证集的tdAUC(0.819)和C-index(0.763)均优于14个已发表标志物。

【预测模型】GBM模型表现最佳，在验证集的tdAUC达0.712(C-index=0.682)，集成模型通过在线工具实现10年生存率可视化预测。

该研究首次实现LUSC分子分型的多队列验证，突破传统预后模型的局限性。值得注意的是，TGM²等5个基因被证实促癌，而DLC¹等4个基因具有抑癌作用，为后续机制研究指明方向。在线工具的开放应用显著提升临床转化价值，但回顾性设计和样本量限制仍需前瞻性研究验证。这项成果为LUSC的精准医疗提供了从基础到临床的完整解决方案。