基于机器学习算法的腹膜假性黏液瘤患者生存预测模型构建与验证

本研究针对腹膜假性黏液瘤(PMP)患者术后预后差异大的临床难题，采用随机森林(RF)、支持向量机(SVM)和人工神经网络(ANN)三种机器学习算法，开发了可预测3年和5年生存率的列线图模型。研究通过577例接受肿瘤细胞减灭术联合腹腔热灌注化疗(CRS+HIPEC)治疗的患者数据验证，证实RF模型预测效能最优(AUC>0.77)，为临床决策提供了精准工具。

　　

腹膜假性黏液瘤(Pseudomyxoma Peritonei, PMP)是一种罕见的临床综合征，以腹腔内黏液性腹水积聚为特征，年发病率仅约2例/百万。这种"果冻腹"疾病早期症状隐匿，确诊时往往已进展至晚期。目前肿瘤细胞减灭术联合腹腔热灌注化疗(CRS+HIPEC)是标准治疗方案，但患者术后生存差异显著，5年生存率波动在46.2%-57.8%之间。如何精准预测个体化预后，成为临床决策面临的重大挑战。

首都医科大学附属北京世纪坛医院腹膜肿瘤外科的研究团队创新性地将人工智能技术引入这一领域。他们收集了577例接受CRS+HIPEC治疗的PMP患者临床数据，运用随机森林(RF)、支持向量机(SVM)和人工神经网络(ANN)三种机器学习算法，开发出预测3年和5年生存率的列线图模型，相关成果发表在《Holistic Integrative Oncology》期刊。

研究采用多中心回顾性队列设计，数据来自北京世纪坛医院和北京清华长庚医院2015-2024年的病例。通过Lasso回归筛选预后相关变量后，分别构建三种算法的预测模型，采用k折交叉验证增强稳健性，最终通过验证集评估模型效能。关键技术包括腹膜癌指数(PCI)评估、完全减瘤(CC)评分、以及机器学习特征重要性分析等。

研究结果显示：

1. 模型比较：RF算法在3年生存预测中表现最优(AUC=0.797)，显著优于SVM(0.773)和ANN(0.735)；5年生存预测同样以RF最佳(AUC=0.792)。
   

   

2. 关键预测因子：CA199、CEA和BMI被识别为最重要的生存预测变量，其中术前CA199>41.9 U/mL和CEA>18.07 ng/mL提示预后不良。
   

   

3. 模型验证：3年生存列线图在验证集的AUC达0.745，5年生存列线图AUC为0.722，校准曲线显示良好拟合度。
   

   

这项研究首次系统比较了多种机器学习算法在PMP预后预测中的应用价值。开发的RF模型不仅整合了传统预后因素如CC评分和Ki-67，还发现了DVT(深静脉血栓)等新型预测指标。临床转化方面，该列线图可直接用于术前评估，帮助识别可能从CRS+HIPEC中获益的优势人群，避免对预后极差患者实施过度治疗。

研究也存在一些局限：未纳入新辅助化疗方案等潜在影响因素，验证集样本量相对不足。未来需要通过多中心合作扩大样本，并探索将PET-CT等影像组学特征纳入模型优化。正如研究者所言"所有模型都是错误的，但有些是有用的"，这项工作为罕见肿瘤的精准医疗提供了重要范式，标志着人工智能在腹膜肿瘤领域从理论探索走向临床应用的重大突破。