基于多参数机器学习的肺结节高风险预后病理成分预测模型：整合临床特征、血清肿瘤标志物与影像学特征

这篇研究通过整合临床特征、血清肿瘤标志物（如CEA、CYFRA21-1）及CT影像学参数，构建了XGBoost（XGB）机器学习模型，用于预测肺结节（PNs）中的高风险预后病理成分（HRPPC）。模型在训练组和验证组的AUC分别达0.930和0.835，SHAP分析显示CT值、结节长径和PRO-GRP为关键预测因子，为非侵入性术前风险评估提供了可靠工具。

　　

背景

肺结节（PNs）是直径≤30 mm的局灶性肺部阴影，随着CT筛查普及，其检出率显著上升，但区分高风险预后病理成分（HRPPC，如微乳头状/实性成分MP/S）仍是临床挑战。HRPPC与不良预后相关，但现有影像学（如CT）和血清标志物（CEA、CYFRA21-1等）单独应用时敏感性和特异性不足。本研究旨在通过整合多模态数据构建机器学习模型，提升HRPPC的术前预测准确性。

患者与方法

回顾性纳入山东大学齐鲁医院816例≤3 cm肺结节手术患者，排除标准包括多发性结节或术前病理确诊恶性。通过Lasso回归筛选13个关键特征，包括CT值、结节长径、PRO-GRP等。采用7种机器学习算法（如XGB、SVM）建模，以ROC曲线、校准曲线和决策曲线分析（DCA）评估性能。

结果

XGB模型表现最优，训练组AUC 0.930（95% CI: 0.906–0.954），验证组0.835（95% CI: 0.774–0.895）。SHAP分析揭示CT值（反映肿瘤密度）、结节长径（>2 cm风险更高）和PRO-GRP（间接提示侵袭性）为前三位预测因子。模型校准良好，DCA显示其临床净收益显著高于传统策略。

讨论

相比单一数据源模型（如Brock评分或单纯影像组学），本研究整合临床-影像-血清标志物，突破线性回归局限，更精准捕捉HRPPC的非线性特征。例如，高CT值可能与肿瘤细胞密集度相关，而PRO-GRP在腺癌中异常提示EMT进程。模型可辅助制定个体化手术方案（如亚肺叶切除或淋巴结清扫），或指导非手术患者选择立体定向放疗（SBRT）。

局限性

单中心回顾性设计可能引入选择偏倚，且部分潜在标志物（如LDH）未纳入。未来需多中心前瞻性验证，并探索动态监测模型的预后价值。

结论

XGB模型为肺结节HRPPC提供了高精度、可解释的非侵入性预测工具，有望优化临床决策流程，减少过度诊疗。