基于54种生物标志物的多癌种风险预测模型开发与验证：一项42,666人前瞻性研究指导精准筛查策略

本研究针对多癌种早期筛查中高风险人群识别困难的问题，开发了整合54种血液生物标志物和26种流行病学因素的PRIME模型。通过机器学习方法在42,666人队列中验证显示，该模型AUROC达0.767，可识别出占人群17.19%的高危群体（癌症检出率提升5.02倍），为精准医疗资源分配提供了重要工具。

　　

癌症早期筛查领域长期面临两大困境：一方面现有单癌种筛查模型效率低下，另一方面新兴多组学检测技术成本高昂难以普及。在中国每年456万新发癌症病例中，75%集中于肺癌、食管癌等五种恶性肿瘤，但传统筛查方法如LDCT（低剂量CT）和胃镜存在灵敏度不足、依从性差等问题。针对这一临床痛点，复旦大学泰州健康科学研究院联合多家机构开展了一项突破性研究。

研究人员基于泰州纵向研究(TZL)队列，分两阶段纳入42,666名40-75岁参与者，整合54种血液标志物（如CYFRA-21¹、CEA）和26种流行病学指标，采用LASSO回归等机器学习方法开发了PRIME（Penta-cancer Risk Identification Model）多癌种风险预测模型。关键技术包括：1）建立16,340人的发现队列和26,308人验证队列；2）通过KNN算法处理缺失值；3）应用LASSO-Cox进行变量筛选；4）前瞻性随访2,863名高危个体进行LDCT/内镜验证。

研究结果显示：

【模型开发与性能】最终模型包含年龄、性别、吸烟包年、AFP、CEA、CYFRA-21¹和HBsAg 7个变量，在测试集AUROC达0.767（95%CI:0.723-0.814）。高危组（占17.19%）集中了50.42%的预期病例，风险较对照组升高15.19倍（P<0.001）。

【外部验证】在独立验证队列中，高危组癌症检出率为9.64%，较对照组（1.92%）提升5.02倍。其中食管癌差异最显著（16.84倍），肝癌预测效能最佳（AUROC=0.870）。

【前瞻性随访】对完成全套筛查的4,137人分析显示，五年粗发病率达5,074.92/10万，高危组升至8,683.73/10万。值得注意的是，仅筛查17%的高危人群即可覆盖50%的病例。

讨论部分指出，PRIME模型首次在人群队列中实现多癌种风险分层，其创新性体现在：1）将传统标志物（如CEA）与新指标（CYFRA-21¹）智能整合；2）开发配套的在线计算器（https://fdu-renjiazhao.github.io/FuSion-Calculator/）；3）通过简化评分系统保持临床实用性（原始模型与简化版预测效能相当，P=0.888）。尽管存在样本存储时间差异等局限，该研究为优化筛查资源配置提供了重要循证依据，特别是对食管癌（风险分层16.84倍）和肝癌等高发肿瘤的精准防控具有突出价值。

（注：全文数据均来自原文，CYFRA-21¹为细胞角蛋白19片段，LDCT指低剂量计算机断层扫描）