基于实验室检验的加权神经网络模型用于食管鳞状细胞癌淋巴结转移识别

《Biosensors》：A Weighted Neural Network Model Based on Laboratory Tests for Identifying Lymph Node Metastases in Esophageal Squamous Cell Carcinomas

　　

淋巴结转移（Lymph node metastasis, LNM）是食管鳞状细胞癌（esophageal squamous cell carcinoma, ESCC）的关键预后因素，术前准确预测仍具有挑战性。血液生物标志物提供了一种常规的术前诊断技术，具有成本效益且无辐射风险。迄今为止，已有研究利用传统超声或计算机断层扫描（CT）技术对淋巴结转移进行精确诊断，但缺乏从血液生物标志物角度诊断LNM的研究。在这项工作中，研究人员获取了1933名患者的血液生物标志物队列，并设计了一个加权神经网络（weighted neural network, WNN）模型，用于从血液生物标志物中准确预测LNM。WNN模型由一个基于病理淋巴结分期（pathological nodal, pN）标记的血液生物标志物训练的神经网络分类器构成。实验结果表明，WNN模型在原始未增强测试集上诊断LNM的准确率为83.1%，AUC为0.88，而CT仅达到50.4%的准确率（AUC 0.60），超声达到60.5%的准确率（AUC 0.67）。此外，SHAP分析显示，三种血液生物标志物——白细胞（WBC#）、单核细胞（Mono#）和中性粒细胞（Neut#）——对WNN模型的输出有显著影响。该WNN模型作为诊断LNM的研究工具显示出前景。

**论文解读：基于实验室检验的加权神经网络模型用于食管鳞状细胞癌淋巴结转移识别**

**1. 研究背景与问题**
食管癌（esophageal cancer, EC）是全球侵袭性最强的恶性肿瘤之一，食管鳞状细胞癌（esophageal squamous cell carcinoma, ESCC）占全球EC的约90%，区域性疾病患者5年生存率仅约20%，局部病变约40%。淋巴结转移（lymph node metastasis, LNM）是ESCC的关键预后因素，准确术前评估对制定手术方案（如淋巴结清扫范围）至关重要。然而，现有影像学手段（计算机断层扫描CT、超声、内镜超声、FDG-PET等）存在局限性：CT依赖淋巴结大小（灵敏度不足<10mm的淋巴结），超声分辨率低且仅能评估食管附近淋巴结，FDG-PET成本高且空间分辨率差。血液生物标志物具有成本低、无创、易获取等优势，但此前缺乏系统性研究将其用于LNM预测。因此，研究人员开展此项研究，旨在利用机器学习方法从常规实验室检验指标中构建预测模型，实现ESCC患者LNM的术前准确诊断。该论文发表在《Biosensors》。

**2. 主要技术方法**
研究人员基于中山大学肿瘤防治中心（SYSUCC队列，n=1933）的回顾性数据，从95项常规实验室检验中筛选出患者检出率>95%的66项指标，经Wilcoxon秩和检验比较pN0与pN1-3组间分布（p<0.01）后保留15项血液生物标志物。采用加权神经网络（weighted neural network, WNN）模型：输入层15个节点对应15项标志物，三个隐藏层节点数分别为256、128、64，输出层为二分类（pN0 vs. pN1-3）。训练过程使用Adam优化器（学习率0.0005），数据经高斯噪声增强（信噪比40 dBm），并采用早停法（patience=20 epoch）。与CT和超声的诊断性能对比基于同一队列的影像报告（CT和超声分期由两名放射科医师独立评估）。SHAP分析用于解释模型输出的关键特征。

**3. 研究结果**

**3.1 患者特征**
共纳入1933例ESCC患者，训练集1121例（男890例，女231例，平均年龄66.5±8.5岁），测试集812例（男622例，女190例，平均年龄64.3±7.9岁）。pN0（无LNM）患者训练集622例、测试集520例；pN1-3（有LNM）患者训练集499例、测试集292例。

**3.2 血液生物标志物与LNM临床分期的关系**
通过箱线图比较转移组（Met）与非转移组（No Met）的15项生物标志物水平，Wilcoxon秩和检验显示所有标志物p值均<0.01（其中WBC#、PLT#、PCT、Cl-的p=0.0，差异极显著），表明这些标志物可用于区分LNM状态。主成分分析（PCA）和t-分布随机邻域嵌入（t-SNE）散点图显示两组数据在二维空间中存在重叠，表明仅凭原始特征难以完全区分，需更复杂模型。

**3.3 加权神经网络模型预测LNM的性能**
WNN模型结构包含可学习的特征权重（每个输入经归一化后乘以可训练权重），通过反向传播自适应调整。训练过程中准确率逐步提升、损失下降。测试集混淆矩阵显示总体准确率83.1%（非转移类准确率86%，转移类79%），ROC曲线AUC为0.88。三折分层交叉验证的平均准确率85.0%（SD 1.5%），平均AUC 0.90（SD 0.0075），与测试集结果一致。与传统方法对比：CT准确率50.4%（AUC 0.60），超声准确率60.5%（AUC 0.67），WNN模型显著优于两者。校准曲线显示WNN的预测概率更接近理想对角线。

**3.4 WNN模型输出幅度的影响分析**
SHAP分析显示，对模型输出影响最大的三项生物标志物为单核细胞计数（Mono#）、白细胞计数（WBC#）和中性粒细胞计数（Neut#），其次为血小板计数（PLT#）和降钙素原（PCT）。WNN第一层权重分布表明甘油三酯（TG）、WBC#、白蛋白/球蛋白比值（AG）和PCT的归一化权重最高。研究人员提出“双解释”架构（WNN输出风险概率，同时提取高频“特征-模式-风险”关联规则），并建议扩展SHAP评估亚组公平性。

**3.5 临床阈值与模型校准**
基于测试集确定三个可操作阈值：排除阈值（rule-out）0.127（灵敏度约91%，仅10%漏诊），纳入阈值（rule-in）0.832（特异度约92%），约登指数最佳阈值0.38（灵敏度82.3%，特异度82.3%）。Brier评分0.1361，校准截距0.053，校准斜率0.756，表明整体校准良好。

**4. 总结与讨论**
**讨论部分**：准确评估淋巴结状态对治疗方案（如内镜切除、术前放化疗、避免过度淋巴结清扫）至关重要。病理诊断虽为金标准但创伤大，非侵入性工具如CT、FDG-PET、EUS诊断性能不佳（CT仅依赖大小，PET空间分辨率低）。WNN模型可在现有诊断流程中触发：①初次血检后自动计算并回传至电子健康档案；②影像异常后作为补充；③治疗决策前临床医生按需调取。对于中风险（40-80分）患者推荐完整内镜超声和增强CT，高风险（≥80分）启动多学科讨论或转诊。现有基于临床病理特征的列线图虽主流但依赖术后数据，无法用于术前预警；而基于血检的模型可反映肿瘤微环境变化（中性粒细胞、血小板、单核细胞等通过促血管生成、侵袭等机制与LNM相关）。机器学习已在T1期ESCC预测中展现潜力，但多数研究关注多模态数据融合，单纯基于血液参数的模型仍稀缺。本研究从95项指标中筛选66项、保留15项构建WNN，在内外测试集表现优异，准确率83.1%优于CT（50.4%）和超声（60.5%），与既往研究（如Ohsawa等报道NLR、PLR、LMR预测cT1N0M0 ESCC的LNM的AUC分别为0.8896、0.7241、0.7018）相当或更优。模型利用常规血检参数，成本低、易推广。局限性包括：单中心研究（需多中心外验证，至少3-4个独立中心），仅纳入中国人群（限制种族外推），以及临床应用中需解决标准化测量、缺失数据处理、模型定期更新、医疗设备监管审批等问题。

**研究结论**：该研究开发的加权神经网络（WNN）模型基于常规实验室检验指标可准确识别食管鳞状细胞癌（ESCC）患者的淋巴结转移（LNM），在回顾性队列中取得83.1%准确率和0.88的AUC，优于传统CT和超声成像方法。血生物标志物如白细胞（WBC#）、单核细胞（Mono#）和中性粒细胞（Neut#）对模型输出影响显著。该模型作为诊断LNM的研究工具具有前景，但在临床部署前需进行广泛的前瞻性验证和临床效用评估。