基于自动化机器学习（AutoML）的结肠癌预后预测模型：临床特征与风险分层的多中心回顾性研究

本研究针对结肠癌术后复发预测的临床难题，创新性地应用自动化机器学习（AutoML）技术整合29项临床特征（含T/N分期和预后免疫营养指数PINI），构建了可解释性预测模型。研究通过4,944例原发性结肠癌患者队列训练，在外部验证集中AUC达0.798，显著优于传统临床决策模式，首次证明AutoML模型能精准识别ⅡA期患者辅助化疗获益人群，为个体化治疗提供AI驱动的新范式。

　　

结肠癌作为全球高发恶性肿瘤，其术后复发预测始终是临床决策的痛点。尽管TNM分期系统为治疗提供了基础框架，但相同分期患者仍存在显著的预后差异。传统临床决策往往依赖有限指标，导致约30%的Ⅱ期患者因无法准确识别高危人群而错过辅助化疗机会。这种"一刀切"的治疗模式，凸显出现有预测工具的局限性。

为解决这一难题，首尔国立大学医院联合韩国国立癌症中心开展了一项突破性研究。研究人员创新性地将自动化机器学习（AutoML）技术引入结肠癌预后预测领域，通过对4,944例根治性切除患者的29项临床特征（包括人口统计学指标、病理特征和血液标志物）进行深度挖掘，构建了可解释的预测模型。令人振奋的是，该模型在外部验证集中展现出0.798的AUC值，更首次通过机器学习方法证实预后免疫营养指数（PINI）可作为独立预后标志物。这项发表在《European Journal of Surgical Oncology》的研究，为结肠癌个体化治疗提供了AI驱动的新范式。

研究团队采用三大关键技术方法：1）多中心队列设计（首尔国立大学医院2002-2015年4,944例+国立癌症中心2008-2010年1,224例）；2）自动化机器学习（AutoML）工作流，比较线性模型与XGBoost等集成算法；3）SHAP值解析模型可解释性。所有模型通过5折交叉验证，重点预测3年疾病无进展生存期（DFS）和总体生存期（OS）。

【背景】研究指出当前临床决策依赖的TNM分期存在明显局限性，亟需整合多维度数据提升预测精度。

【方法】采用AutoML技术对比四种算法性能，重点解析XGBoost模型的生物学意义。训练集/测试集按8:2划分，外部验证采用独立队列。

【结果】XGBoost模型在测试集AUC达0.763，外部验证提升至0.798。特征重要性分析显示T分期（SHAP值0.32）和N分期（0.29）贡献度最高，PINI指数（0.18）超越传统CEA标志物。模型成功识别出ⅡA期患者中化疗获益亚群（HR=0.61，P<0.01）。

【讨论】该研究突破性地证明：1）AutoML模型性能与人工调参模型相当但效率提升10倍；2）PINI作为新型炎症-营养复合指标具有独立预后价值；3）模型决策边界与AJCC指南存在15.7%的差异病例，提示临床转化潜力。

【结论】这项多中心研究首次系统验证了AutoML在结肠癌预后预测中的临床应用价值。通过整合常规临床指标构建的可解释模型，不仅解决了Ⅱ期患者辅助化疗决策难题，更开创了"AI-临床指标"协同预测的新模式。研究者特别强调，模型识别的高危ⅡA期患者3年DFS改善达23.4%，这一发现可能改写现有治疗指南。该成果为肿瘤预后预测研究提供了从算法创新到临床转化的完整范例。