基于XGBoost算法的转移性胰腺神经内分泌肿瘤个体化生存预测模型：临床转化研究

本研究针对转移性胰腺神经内分泌肿瘤（pNETs）缺乏精准预后工具的临床难题，利用SEER数据库构建了XGBoost机器学习模型。该模型整合TNM分期、肿瘤分级等10项指标，实现1/3/5年生存预测（AUROC 0.781/0.747/0.741），并开发为临床决策支持工具，填补了晚期pNETs个体化预后评估的空白。

　　

胰腺神经内分泌肿瘤（pNETs）是一类兼具罕见性与高度异质性的恶性肿瘤，近年来发病率持续攀升，但转移性患者的预后仍不乐观。尤其当肿瘤扩散至肝脏等远端器官时，5年生存率骤降。尽管手术切除联合系统性治疗可延长部分患者生存期，但现有TNM分期和WHO分级体系难以准确反映疾病复杂性，导致临床决策缺乏可靠依据。这种预后评估的"盲区"，促使研究者们将目光投向人工智能领域。

浙江省科技厅资助的研究团队在《European Journal of Surgical Oncology》发表成果，利用SEER数据库2000-2021年间1,430例转移性pNETs患者数据，首次构建了基于XGBoost（极端梯度提升）算法的生存预测模型。该研究通过70%训练集和30%测试集的随机分组，纳入AJCC TNM分期、原发/转移灶手术等10项临床病理特征，开发出可实时计算的网页工具。

关键技术包括：1）从SEER数据库提取2010-2019年胰腺原发pNETs病例；2）应用XGBoost算法处理非线性关系；3）通过AUROC（受试者工作特征曲线下面积）和校准曲线验证模型效能；4）开发临床可操作的网络交互界面。

【数据来源与患者选择】
基于SEER*Stat软件筛选胰腺原发转移性pNETs病例，排除数据不全者，最终纳入1,430例。队列中65.7%患者≤65岁，56%为男性，白种人占比76.2%，反映欧美人群特征。

【模型性能验证】
XGBoost在测试集表现优异：1年生存预测AUROC达0.781，显著优于传统统计模型。校准曲线显示预测与实际观察值高度吻合，决策曲线分析（DCA）证实其临床适用性。

【风险分层应用】
模型将患者分为明确预后差异的亚组，3年生存率在低危组（46.2%）与高危组（12.8%）间存在显著梯度，为治疗强度选择提供量化依据。

结论部分强调，该模型突破传统线性假设局限，首次实现转移性pNETs的动态预后评估。其创新性体现在三方面：1）专攻临床需求迫切的转移性亚群；2）整合治疗响应变量（如化疗状态）；3）通过网页工具实现"床旁"计算。讨论指出，未来需补充分子标志物（如MEN1突变）和亚洲人群数据以提升普适性。研究获浙江省公益技术应用基金（LGF22H160032）资助，成果对推进精准肿瘤学实践具有示范意义。