基于机器学习的动态CEA轨迹分析揭示胃癌预后新标志物

针对静态CEA指标在胃癌预后评估中的局限性，中山大学附属第六医院团队创新性地采用k-means聚类算法分析578例根治术患者围手术期CEA动态轨迹，发现高轨迹组（HR 2.64, 95% CI: 1.37-5.0）与不良预后显著相关，为个性化监测策略提供新依据。

　　

胃癌作为全球癌症相关死亡的主要原因之一，在中国尤其高发。尽管治疗手段不断进步，晚期胃癌患者的预后仍然不容乐观，这主要归因于诊断时已处于晚期阶段以及根治性切除术后高复发率。在这一背景下，寻找有效的预后标志物成为临床研究的重点。癌胚抗原（CEA）作为胃癌管理中广泛推荐的监测工具，其静态水平已被证实与不良预后相关，但动态变化模式的价值却长期未被充分挖掘。

中山大学附属第六医院普通外科的Yonghe Chen团队在《BMC Cancer》发表的研究，创新性地将机器学习算法引入肿瘤标志物分析领域。研究人员敏锐地注意到，现有指南主要依赖CEA的单次检测值，而围手术期CEA的动态变化可能隐藏着更丰富的预后信息。这种变化模式或许能更准确地反映肿瘤负荷的演变过程，包括手术切除效果、潜在的微转移灶活性以及化疗敏感性等关键临床信息。

为系统评估CEA动态轨迹的预后价值，研究团队纳入了578例接受根治性胃切除术的胃癌患者。通过k-means聚类算法对术前、术后早期（90天内）和术后晚期（6个月后）三个关键时间点的CEA水平进行分析，同时采用Calinski-Harabasz指数（358）和Jaccard指数（0.8186）验证聚类质量。研究还通过多变量Cox回归模型（校正性别、年龄和T/N分期等因素）评估轨迹分型的独立预后价值。

研究结果揭示了三种特征鲜明的CEA轨迹模式：高水平组（术前显著升高，术后部分下降）、中水平组和低水平组。动态变化曲线显示，所有组别均呈现术后初期下降（中位值从2.07降至1.74 ng/mL）继而反弹的特征（晚期中位值2.98 ng/mL）。生存分析显示，高水平轨迹组患者的中位无病生存期（DFS）仅27个月，显著低于中、低水平组（未达到），其死亡风险是低水平组的2.64倍（95% CI: 1.37-5.09）。值得注意的是，这种关联在男性、年龄<60岁、食管胃结合部癌等亚组中尤为显著。

在讨论环节，研究者提出CEA反弹可能源于微小残留病灶（MRD）的进展或化疗耐药性产生。特别指出高CEA水平可能通过CEA-KRT1-PI3K/AKT轴促进胃癌细胞化疗耐药。基于这些发现，建议对高轨迹组患者实施更密集的随访（每3个月），包括CEA监测和影像学检查，而对低轨迹组可放宽至6个月，这与NCCN指南框架相协调。

这项研究的创新价值在于：首次系统描绘了胃癌围手术期CEA的动态演变规律；证实轨迹模式比单次检测值具有更强的预后预测能力；为术后监测策略的个体化提供了循证依据。尽管存在单中心回顾性设计、样本量有限等局限性，但研究结果为未来开展前瞻性验证研究奠定了重要基础，也为探索CEA在胃癌生物学行为中的作用机制开辟了新思路。随着精准医学的发展，这种融合机器学习与动态生物标志物的研究范式，有望在更多癌种中得到应用和推广。