《Translational Oncology》：Integration of inflammatory and nutritional biomarkers with machine learning enhances prediction of progesterone response in fertility-preserving endometrial carcinoma management
编辑推荐：
背景：子宫内膜癌（EC）和非典型子宫内膜增生（AEH）日益影响年轻女性，对保留生育功能构成挑战。炎症和营养状态已被证明显著影响疾病结局，尤其是在癌症中。然而，尚无研究系统性地探讨炎症和营养评分对EC完全缓解（CR）的预测价值。方法：这项回顾性研究纳入了2012
背景：子宫内膜癌（EC）和非典型子宫内膜增生（AEH）日益影响年轻女性，对保留生育功能构成挑战。炎症和营养状态已被证明显著影响疾病结局，尤其是在癌症中。然而，尚无研究系统性地探讨炎症和营养评分对EC完全缓解（CR）的预测价值。方法：这项回顾性研究纳入了2012年1月至2025年12月期间在北京大学人民医院接受治疗的329例EC/AEH患者。研究人员通过LASSO回归和机器学习，开发了一个整合12种炎症生物标志物（NLR、SIRI、PLR等）和5种营养生物标志物（mGNRI、PNI、NRI、ALI、CONUT）的多模态列线图。模型验证采用留一法交叉验证（LOOCV），性能通过AUC、校准曲线和决策曲线分析（DCA）评估。结果：联合炎症-营养评分取得了优越的预测准确性，训练队列AUC为0.846，验证队列AUC为0.871。此外，研究人员构建的列线图由四个临床变量（BMI、月经史、代谢综合征和组织学类型）、炎症评分和营养评分组成，表现出卓越的预测潜力，训练队列AUC为0.915，验证队列AUC为0.933，显著优于临床模型。风险分层显示高风险患者的CR率显著较低（log-rank P < 0.001），决策曲线分析表明不必要干预减少了35%。结论：整合全身性炎症和营养生物标志物增强了EC/AEH的CR预测，能够实现个性化风险分层以指导保留生育功能的策略。该工具解决了一个关键的临床空白，但未来需要多中心研究来验证其普适性并探索机制通路。
子宫内膜癌（endometrial carcinoma, EC）和非典型子宫内膜增生（atypical endometrial hyperplasia, AEH）是年轻女性中发病率逐年上升的妇科疾病，给保留生育功能的管理带来重大挑战。孕激素治疗作为主要的保留生育功能策略，其完全缓解（complete response, CR）率存在显著异质性（50%–80%），亟需个体化预后工具以优化治疗选择及时机。既往预后模型多依赖临床病理参数（如BMI、组织学分级等），但新近证据表明，系统性炎症和营养状态可通过免疫调节及代谢重编程显著影响治疗反应及肿瘤预后。然而，尚无研究系统整合炎症与营养生物标志物以预测EC/AEH患者对孕激素的CR。为此，研究人员开展了一项回顾性研究，旨在开发并验证一个整合炎症和营养生物标志物的多模态列线图，以提高CR预测准确性，并实现个性化风险分层。该研究发表于《Translational Oncology》。
研究人员主要采用以下关键技术方法：基于2012年1月至2025年12月在北京大学人民医院治疗的329例EC/AEH患者（纳入标准包括年龄≤40岁、有强烈生育意愿、G1子宫内膜样腺癌、影像学证实肿瘤局限于内膜、ER和PR阳性、非特异性分子谱型（NSMP）等），通过LASSO回归从12种炎症生物标志物（如NLR、SIRI、PLR等）和5种营养生物标志物（如mGNRI、PNI、NRI、ALI、CONUT）中筛选关键变量，构建炎症评分（inflammatory score, IS）和营养评分（nutritional score, NS）。在训练队列中，采用留一法交叉验证（LOOCV）评估101种机器学习算法组合，最终通过多变量LASSOCox回归确定6个独立风险因子（BMI、月经史、代谢综合征、组织学类型、IS、NS），构建列线图。模型内部验证通过1000次bootstrap重抽样，外部验证于独立验证队列（n=110）进行，评估指标包括AUC、校准曲线、决策曲线分析（DCA）及Kaplan-Meier曲线。
研究结果如下：
**Clinical and pathological baseline characteristics of patients**：329例EC/AEH患者按2:1随机分为训练队列（n=219）和验证队列（n=110）。根据6个月内是否达到CR分为CR组和非CR组。两组间达CR时间存在显著差异（P<0.001），而其他基线临床特征无显著差异。基于血液学参数计算12种炎症和5种营养生物标志物。
**Variable selection and coefficient estimation via lasso regression for inflammatory and nutritional biomarkers in EC/AEH**：通过LASSO回归，以最小交叉验证误差对应的λ值筛选出9种炎症生物标志物（SIRI、GLR、dNLR、LMR、LCR、PLR、SII、PIV、NLR）和4种营养生物标志物（mGNRI、NRI、PNI、CONUT），并计算每位患者的IS和NS（线性方程由回归系数加权得出）。
**Predictor screening for time to complete remission in training cohort: A LASSOCox integrative approach**：通过LOOCV比较101种模型，LASSO和StepCox模型平均C-index最高。单变量Cox分析显示8个变量（BMI、月经史、IS、NS、HOMA-IR、CA125、代谢综合征、组织学类型）对CR影响显著。多变量LASSOCox回归中，HOMA-IR和CA125被压缩至零，最终保留6个特征（BMI、月经史、IS、NS、代谢综合征、组织学类型）。联合IS和NS的AUC达0.846，优于单独IS（0.715）或NS（0.773）。校准曲线显示预测与观察CR率良好一致。按IS和NS分层的患者，高评分者CR概率更高；综合风险分层（低/中/高）显示高风险组CR率最低（P<0.001）。
**Validation across cohorts confirms predictive utility of inflammatory-nutritional scores and risk stratification**：在验证队列中，联合炎症-营养评分的AUC为0.871，优于单独评分；高IS和NS患者CR率更高；综合风险分层再次确认高风险组CR率最低（P<0.001）。在全队列中，联合评分AUC达0.866，风险分层同样有效。
**The construction of a multimodal nomogram integrating inflammatory-nutritional biomarkers and clinical variables for complete response prediction in EC/AEH**：基于LASSO-Cox筛选的6个变量构建列线图。校准曲线显示预测与实际CR概率良好一致。整合IS和NS后，模型AUC从0.807（仅临床变量）提升至0.915（P<0.001）。1000次bootstrap内部验证显示校正后准确度87.9%±2.7%，Kappa系数0.591±0.079。DCA显示联合模型在临床相关阈值范围内净获益高于“全治疗”或“不治疗”策略。
**Validation and clinical applicability of the nomogram for complete remission prediction in EC/AEH**：验证队列中，添加炎症-营养评分后AUC从0.83提升至0.933（P<0.001）。校准曲线和DCA均证实模型可靠性。风险分层显示低、中、高评分组CR概率显著不同（P<0.001）。全队列分析结果一致（AUC 0.921）。
**Stratified subgroup validation of clinical variables for complete remission prediction**：按BMI阈值（23 vs 25）、病理类型（EC vs AEH）、月经史（规律 vs 不规律）及代谢综合征（有 vs 无）进行亚组分析，模型在BMI<23亚组中预测准确性更高，且所有亚组中高综合评分均与更高CR率相关（P<0.05），证实了临床变量的稳健性。
讨论部分指出，本研究首次系统整合炎症和营养生物标志物预测EC/AEH患者孕激素治疗的CR。肿瘤微环境中的炎症细胞通过免疫调节影响治疗反应，而营养不良则通过代谢重编程和免疫抑制微环境促进肿瘤进展。联合炎症和营养参数可更全面评估宿主-肿瘤相互作用。此外，纳入BMI和代谢综合征等临床变量进一步揭示了肥胖相关炎症与激素抵抗的关联。与既往研究相比，本模型的创新在于：聚焦于保留生育功能场景下的CR预测，采用机器学习筛选最强预测因子，且所有变量均来自常规血检，无需额外侵入性检查或昂贵基因检测，具有成本效益。然而，mGPS评分在本研究中预测能力有限，可能因其未纳入分子亚型或遗传改变，且受混杂因素影响。研究局限性包括回顾性单中心设计、样本量相对有限、缺乏外部验证及分子分类未普及。结论部分翻译如下：本研究首次开发了一种结合炎症和营养评分的新系统，证明其作为EC/AEH患者简单有效的预后分层工具，可为CR概率预测和治疗策略制定提供有价值的参考。
