基于NLP与ATSO-LLM的结直肠癌营养干预预测框架：多模态数据驱动的精准医疗新策略

本研究针对结直肠癌(CRC)预测模型在年轻人群和营养因素分析的局限性，创新性结合自然语言处理(NLP)与自适应被囊群优化大语言模型(ATSO-LLMs)，构建了NICRP-Framework。通过分析>1000例多区域膳食数据，采用随机过采样处理样本不平衡，最终实现98.4%预测准确率，为CRC精准营养干预提供数据驱动新范式。

　　

随着全球结直肠癌(CRC)发病率呈现年轻化趋势，现有预测模型面临两大困境：训练数据主要来自老年群体，且忽视膳食营养这一可干预风险因素。更棘手的是，临床采集的膳食数据兼具结构化与非结构化特征，传统机器学习方法难以有效挖掘文本描述的深层信息。这种现状促使南通大学附属医院的研究团队在《SLAS Technology》发表突破性研究，开发出融合自然语言处理(NLP)与自适应被囊群优化大语言模型(ATSO-LLMs)的NICRP-Framework。

研究团队首先构建包含211,000名参与者的结直肠癌膳食生活方式数据集(CRC-DLD)，涵盖多区域人群的饮食记录、BMI等结构化数据和食物成分文本描述。通过三级文本标准化处理（小写转换、标点清除、停用词过滤）和词云可视化，提取关键营养特征。针对数据不平衡问题，采用随机过采样技术调整二分类标签分布。核心创新在于ATSO-LLMs的双重优化机制：被囊群算法(ATSO)动态筛选特征并调整LLM超参数，而大语言模型则深度解析膳食文本的语义关联，最终实现CRC风险的精准预测。

关键技术路线包含：1) 多源膳食数据采集与NLP预处理；2) 基于ATSO的特征选择（通过重力向量^→B和社会力向量^→N的群体智能优化）；3) LLM的上下文感知建模（利用自注意力机制捕捉营养术语关联）；4) 随机过采样解决类别不平衡问题。

研究结果部分显示：
ROC分析：模型AUC达0.91，显著降低假阳性率
误分类率：经200次迭代后稳定在1.6%以下
性能对比：相较KNN+SMOTE(85.18%)和GLM(95.2%)，ATSO-LLMs准确率提升至98.4%，特异性达96.9%
F1-score：96.2%表明模型在样本不平衡场景下的稳健性

讨论部分强调，该框架突破传统模型的三重局限：首次将营养文本分析纳入CRC预测，通过ATSO优化解决特征冗余问题，并创新性地用LLM解码膳食模式与癌症的复杂关联。临床转化价值体现在两方面：为年轻人群提供个性化膳食建议，辅助医生制定精准干预方案。

该研究仍存在数据集地域局限性，未来将通过纳入微生物组学数据和扩大亚洲人群样本进一步优化。值得注意的是，ATSO算法中的社会力参数Q_max=4与Q_min=1的设定，经实验验证能最佳平衡探索与开发能力。这些发现为数字健康时代下的癌症预防提供了可扩展的技术框架，标志着营养流行病学研究正式迈入多模态数据分析新阶段。