《Frontiers in Oncology》：Metabolic dynamic score and machine learning: a novel approach to predicting pathological complete response in rectal cancer after neoadjuvant chemoradiotherapy
编辑推荐：
背景：该研究基于局部进展期直肠癌（LARC）患者新辅助放化疗（NCRT）前后生化指标的动态变化，开发了一种评分系统。该评分系统结合其他临床特征，用于构建机器学习（ML）模型，旨在预测病理学完全缓解（pCR）。方法：研究人员对来自中心1和中心2的1300例LAR
背景：该研究基于局部进展期直肠癌（LARC）患者新辅助放化疗（NCRT）前后生化指标的动态变化，开发了一种评分系统。该评分系统结合其他临床特征，用于构建机器学习（ML）模型，旨在预测病理学完全缓解（pCR）。方法：研究人员对来自中心1和中心2的1300例LARC患者的既往数据进行了回顾性分析。为确定与pCR相关的因素并创建评分系统，进行了单因素和多因素逻辑回归分析。预测模型的开发涉及10种ML方法，模型性能通过受试者工作特征曲线下面积（AUC）、精确率-召回率曲线下面积（AUPRC）、决策曲线分析和校准曲线进行评估。此外，采用SHapley Additive exPlanations值增强模型的可解释性。结果：多因素分析确定MDS、肿瘤大小、临床T分期和临床N分期为独立预测因子，并纳入ML模型。在10种ML模型中，XGBoost模型表现出最佳且最通用的预测性能（训练集：AUC=0.93，AUPRC=0.732；外部验证集：AUC=0.92，AUPRC=0.779），并被选为最优模型。结论：该研究分析了NCRT前后生化指标的变化，并开发了有前景的MDS。通过利用ML预测模型评估pCR，该方法有望作为一种便捷工具支持临床决策过程，但有待进一步前瞻性验证。
**论文解读：基于代谢动态评分与机器学习的直肠癌新辅助放化疗后病理学完全缓解预测模型**
**一、研究背景与问题**
直肠癌是全球常见的恶性肿瘤之一，其中局部进展期直肠癌（LARC）约占新发病例的30%，预后较差。标准治疗模式包括新辅助放化疗（NCRT）后行根治性手术。获得病理学完全缓解（pCR）的患者通常具有更好的临床结局，因此准确预测pCR对制定个体化治疗策略至关重要。近年来，血清代谢指标在癌症生物学中的重要性日益凸显，尤其是糖脂代谢与直肠癌的发生发展密切相关。然而，既往研究仅评估了NCRT前或后单一时间点的代谢标志物预测价值，忽略了治疗过程中这些指标的动态变化。此外，功能影像（如PET/CT）和机器学习（ML）在预测pCR中已有应用，但尚无研究利用代谢标志物的动态变化结合ML构建预测模型。为此，研究人员开发了代谢动态评分（MDS），量化NCRT前后关键血清代谢指标的综合动态变化，并结合临床病理特征，采用10种ML算法构建预测pCR的模型，以辅助临床决策。该研究发表于《Frontiers in Oncology》。
**二、主要关键技术方法**
该研究回顾性分析了两家医疗中心（Center1，n=846；Center2，n=454）共1300例LARC患者的临床病理数据。关键技术方法包括：1）基于NCRT前后生化指标（GGT、ALP、LDL、HDL、APO-A）构建MDS，通过单因素及多因素逻辑回归确定系数；2）特征选择：多因素分析确认MDS、肿瘤大小、临床T分期（cT）、临床N分期（cN）为独立预测因子；3）模型构建：采用10种ML算法（XGBoost、随机森林、决策树、逻辑回归、LightGBM、AdaBoost、KNN、SVM、朴素贝叶斯、多层感知器），在训练集（Center1中70%）上通过随机搜索和10折交叉验证调优；4）模型评估：使用AUC、AUPRC、决策曲线分析和校准曲线；5）可解释性：应用SHAP值分析各特征贡献。
**三、研究结果**
**3.1 Patient clinical characteristics**
研究纳入1300例患者，按pCR状态分层将Center1的846例随机分为训练集（n=650）和内部验证集（n=196），Center2的454例作为外部验证集。三组在基线临床特征及NCRT前后代谢指标上无显著统计学差异。
**3.2 Establishment of MDS**
通过单因素逻辑回归分析，发现pre-NCRT GGT、pre-NCRT ALP、Δ-LDL、post-NCRT HDL和apolipoprotein A与pCR显著相关。多因素回归后得到MDS公式：MDS = -0.020×GGT - 0.014×ALP + 0.908×Δ-LDL + 0.906×post-HDL + 1.034×APO-A。ROC曲线确定最佳截断值为0.398，将患者分为高、低分组。
**3.3 Uni and multivariate logistic regression analysis**
多因素分析显示，肿瘤大小（OR=0.810，P=0.050）、MDS（OR=2.193，P<0.001）、cT（P<0.001）和cN（P<0.001）是pCR的独立预测因子，并纳入后续ML模型。
**3.4 Construction and validation of a predictive nomogram**
基于上述四个独立预测因子构建列线图，其AUC为0.929（95% CI: 0.902–0.956），AUPRC平均精度（AP）为0.791。校准曲线显示预测概率与观察频率高度一致，决策曲线分析表明在较宽阈值范围内具有临床净获益。
**3.5 Performance of predictive model**
在10种ML模型中，XGBoost表现最优：训练集AUC=0.93、AP=0.732；10折交叉验证稳定；内部验证集AUC=0.92、AP=0.779；外部验证集AUC=0.92、AP=0.779。性别子组分析显示模型无显著偏差（DeLong检验P=0.76）。基于该模型开发了交互式网页工具。
**3.6 SHAP value interpretation**
SHAP值显示cN对模型贡献最大，其次为MDS、cT和肿瘤大小。cN、cT和肿瘤大小与pCR呈负相关，MDS呈正相关。依赖图进一步展示了各特征值对预测结果的影响方向及交互效应。
**四、讨论与结论**
**讨论总结**：
研究人员强调，MDS基于NCRT前后血清代谢指标的动态变化，反映了肿瘤-宿主代谢相互作用的生物学变化。特别是治疗后HDL-C和ApoA-I的相对升高可能与“脂质陷阱”现象相关：肿瘤细胞大量摄取循环中的HDL-C和ApoA-I，而有效治疗导致肿瘤负荷下降后，外周水平出现“反弹”。MDS由此捕获了肿瘤代谢应答的时相变化。与MRI、ctDNA等昂贵技术相比，MDS基于常规低成本血检，具有便捷性优势。在10种ML模型中，XGBoost表现最佳，其SHAP解释增强了临床可理解性。研究局限性包括：回顾性设计、化疗方案异质性（CapeOX、卡培他滨单药、FOLFOX）、未纳入营养状态参数、外部验证仅来自同一省份（中国），限制了一般化性。研究人员已公开预测平台，并计划开展多中心前瞻性验证。
**结论翻译**：
本研究收集并分析了NCRT前后更易获取的生化代谢指标，以预测患者获得pCR的可能性，并建立了一个新型预测因子——代谢动态评分（MDS）。研究人员证明该因子可独立预测pCR。随后，将该预测因子与患者临床特征相结合，利用机器学习技术构建了预测模型。通过模型评估，确定了最优预测模型。所构建的机器学习预测模型在本队列中展示出预测pCR的有前景的性能。在更广泛人群中进行外部验证后，其有望成为临床医生的有价值参考工具。目前，应将其视为探索性工具，而非治疗决策的最终指导。
