宫颈高级别鳞状上皮内病变锥切术后2年内阴道上皮内瘤变的实用预测模型构建与临床转化

本研究创新性地构建了基于机器学习算法的VaIN（阴道上皮内瘤变）预测模型，通过整合术前年龄、转化区（TZ）类型等5项关键指标，开发出AUC达0.910的XGBoost预测系统（https://vainpredict.streamlit.app），为HSIL（高级别鳞状上皮内病变）患者术后精准管理提供决策支持。

　　

研究背景

阴道上皮内瘤变（VaIN）作为HPV持续感染引发的癌前病变，其II/III级进展风险尤为显著。分子流行病学显示HPV16（占比最高）、33和45型是VaIN II/III的主要驱动基因型，其中VaIN III更易呈现多灶性病变。值得注意的是，HSIL患者锥切术后VaIN发生率虽仅1.84%，但伴随宫颈筛查普及，临床检出率持续攀升。现有研究表明，年龄>50岁、III型转化区等是潜在危险因素，但传统经验性评估存在主观性强、效率低下等缺陷。

研究方法

团队回顾性纳入5358例HSIL锥切患者（2013-2020年），最终匹配99例VaIN患者与402例对照。通过随机森林（RF）、LASSO和XGBoost三重算法筛选变量，构建包含LR、SVM等4种机器学习模型。创新性采用SHAP值解析模型决策机制，并开发可视化网络应用平台。数据采集涵盖年龄、绝经状态等临床指标，重点分析术后4-6个月及10-12个月的HPV/细胞学随访数据。

关键发现

变量筛选揭示5个核心预测因子：

1. 1.

   年龄：≥48岁患者VaIN风险显著增加（P<0.001），绝经人群发病率是非绝经者的2.09倍

2. 2.

   转化区类型：III型TZ患者更易发生病灶残留（P<0.001）

3. 3.

   术前VaIN病史：存在明确病理学关联

4. 4.

   术后HPV状态：VaIN组61.4%存在HR-HPV持续感染

5. 5.

   术后细胞学结果：异常者风险提升19.3倍（95% CI 8.453-44.085）

XGBoost模型展现最优性能，开发队列AUC 0.905（95% CI 0.859-0.950），验证队列AUC 0.910（95% CI 0.854-0.966），敏感性达86.7%。

临床转化

SHAP分析显示年龄贡献度最高（均值1.54），而术后HPV状态最具判别力。据此开发的在线预测工具可动态生成个体化风险图谱：蓝色特征提示保护因素，红色特征指示危险信号。对于高风险患者，系统自动推送"建议尽快妇科专科随访"的标准化建议。

应用价值

该模型突破传统筛查局限：

• •

  术前预测适用于医疗资源匮乏地区

• •

  术后整合HPV/细胞学数据可提升监测效率

• •

  可视化界面降低临床使用门槛

研究同时发现，III型TZ患者因病灶隐匿更需关注锥切深度，而绝经后阴道微生态改变与免疫衰退构成独特风险机制。

局限与展望

当前模型存在回顾性数据偏差、外部验证缺失等不足。未来需前瞻性验证模型效能，并探索将吸烟史等潜在因子纳入多中心研究。该成果为实现HSIL患者分层管理提供新范式，特别适用于宫颈筛查体系欠完善地区。