整合生物标志物的机器学习模型预测直肠癌术后治疗相关肠道功能障碍：一项多中心开发和外部验证研究

《Frontiers in Medicine》：Biomarker-integrated machine learning models for predicting treatment-related bowel dysfunction after rectal cancer surgery: a multicenter development and external validation study

　　

背景：低前切除综合征（LARS）是直肠癌保肛手术后常见的治疗相关并发症，严重损害幸存者的生活质量。在生物标志物驱动的个体化癌症治疗时代，仍缺乏整合临床病理生物标志物进行个体化风险分层的可靠工具。机器学习（ML）方法有望整合异质性生物标志物（包括营养、炎症和治疗相关指标）进行精准预测，但其在多中心环境下与常规列线图在LARS预测中的比较性能尚未得到严格评估。方法：这项多中心回顾性队列研究纳入906例接受腹腔镜低位前切除术的直肠腺癌患者，其中训练队列506例，外部验证队列400例来自四家医院。主要LARS定义为6个月LARS评分≥21。LASSO从24个候选变量中筛选特征。评估了五种机器学习模型和逻辑回归列线图，使用AUC、校准曲线、决策曲线分析和SHAP解释。结果：主要LARS发生率在训练队列中为48.0%（243/506），验证队列中为52.2%（209/400）。LASSO回归筛选出14个预测性生物标志物，包括术前血清白蛋白、新辅助化疗和术前放疗。在外部验证中，随机森林模型取得了最高的AUC 0.903（灵敏度0.871，特异度0.796），其次为逻辑回归列线图（AUC 0.888）。多变量分析确定肿瘤-肛缘距离（OR=0.733，95% CI 0.679–0.792，p<0.001）、造口还纳时间（OR=1.240，p<0.001）、吻合口漏（OR=7.027，p=0.004）和糖尿病（OR=2.793，p=0.006）为独立危险因素。SHAP分析确认肿瘤-肛缘距离为最主要预测因子，术前白蛋白在特征重要性中排名第五，展示了ML从临床相关但统计边缘性生物标志物中提取预测信号的能力。结论：整合临床病理生物标志物和治疗相关变量的随机森林模型在术后或治疗后治疗相关肠道功能障碍（LARS）风险分层中表现出稳健的预测性能。该模型旨在支持术后监测、生存咨询和康复规划，而非纯粹的术前治疗选择。这些生物标志物驱动的预测工具可促进接受多模式治疗的直肠癌患者的个体化功能风险评估。

论文解读：整合生物标志物的机器学习模型预测直肠癌术后治疗相关肠道功能障碍——一项多中心开发和外部验证研究

**研究背景与问题**

直肠癌是全球常见的消化道恶性肿瘤之一，每年新发病例超过73万例。随着手术技术和多模式治疗策略的进步，保肛低位前切除术（LAR）已成为中低位直肠癌的标准治疗方式，避免了永久性造口。然而，相当比例的患者术后出现低前切除综合征（LARS），表现为大便失禁、便急、排便次数增加和排便聚集等症状，严重影响患者的生活质量、社会功能和心理健康。文献报道的主要LARS发生率在30%至76%之间。在生物标志物驱动的癌症治疗时代，识别预测性生物标志物以指导个体化治疗决策已成为肿瘤学的核心范式。新辅助放化疗（nCRT）虽对局部肿瘤控制和病理降期至关重要，但会通过免疫调节效应影响肿瘤微环境和周围组织，包括盆底肌、肠神经系统和肠黏膜免疫。放疗诱导的纤维化、黏膜炎症和盆腔神经病变被认为是长期肠道功能障碍的促成因素。营养生物标志物如血清白蛋白已被视为全身炎症状态和免疫能力的替代指标，低白蛋白血症与多种癌症的不良手术结局相关。然而，尽管这些治疗相关和营养生物标志物具有临床意义，尚无系统努力将其整合到经过验证的LARS预测框架中。现有预测工具如POLARS评分和单中心列线图虽提供了初步框架，但受限于传统逻辑回归，假设预测因子与结局呈线性关系，可能无法捕捉复杂的非线性生物标志物相互作用。机器学习（ML）方法能够建模高维非线性关系，但缺乏在LARS预测中与常规列线图进行多中心严格外部验证和模型可解释性分析的比较。因此，本研究旨在：（1）开发和外部验证多个整合临床病理生物标志物（包括营养指标和治疗相关因素）的ML预测模型，用于直肠癌LAR术后主要LARS；（2）比较ML模型与基于逻辑回归的列线图的预测性能；（3）通过多变量分析识别独立危险因素；（4）运用SHapley Additive exPlanations（SHAP）增强模型可解释性，阐明个体生物标志物的相对贡献。研究人员假设，整合生物标志物的ML模型将提供更优的预测准确性，同时增强捕捉非线性生物标志物-结局关系的能力，从而支持接受多模式治疗的直肠癌患者的个体化风险分层。该研究发表在《Frontiers in Medicine》。

**主要技术方法（不超过250字）**

本研究为多中心回顾性队列研究，纳入来自中国江西省五家医疗中心的906例患者。训练队列来自赣南医学院第一附属医院（n=506，2019年10月至2025年9月），外部验证队列来自赣州市人民医院（n=302）、于都县人民医院（n=46）、南康区人民医院（n=37）和瑞金市人民医院（n=15）（2022年10月至2025年9月，总n=400）。主要结局指标为术后6个月使用LARS评分评估的主要LARS（总分≥21）。特征选择采用LASSO惩罚逻辑回归与10折交叉验证。构建了六种模型：逻辑回归（LR）、随机森林（RF）、XGBoost、LightGBM、支持向量机（SVM）和多层感知机（MLP）。模型性能通过AUC、校准曲线、决策曲线分析（DCA）和Brier评分评估。采用SHAP分析对最佳模型进行解释。所有分析在Python 3.12和R 4.3中完成，双侧p<0.05视为显著。

**研究结果**

**3.1 患者特征**
共纳入906例患者，训练队列506例，验证队列400例。主要LARS发生率分别为48.0%（243/506）和52.2%（209/400）。验证队列患者年龄更大（66.6 vs. 62.0岁，p<0.001），新辅助化疗（26.0% vs. 7.5%，p<0.001）和术前放疗（8.3% vs. 2.2%，p<0.001）比率更高。通过基线特征比较，发现两组在多个变量上存在显著差异，反映了真实世界多中心数据的异质性。

**3.2 单变量分析**
单变量分析显示，肿瘤-肛缘距离（6.6±2.7 vs. 9.7±3.3 cm，p<0.001）、预防性造口（48.1% vs. 16.3%，p<0.001）、吻合口漏（8.2% vs. 1.5%，p<0.001）、手术时间（214.5 vs. 192.0 min，p<0.001）和糖尿病（13.6% vs. 7.2%，p=0.019）为显著相关因素。术前放疗（4.5% vs. 0%，p=0.001）和新辅助化疗（9.9% vs. 5.3%，p=0.052）也显示关联。术前白蛋白在两组间无显著差异（40.1±3.8 vs. 40.1±3.7 g/L，p=0.956）。通过单变量分析，初步识别了与主要LARS相关的潜在风险因素。

**3.3 特征选择**
LASSO回归从24个候选变量中筛选出14个特征：肿瘤-肛缘距离、造口还纳时间、术前放疗、吻合口漏、N分期、T分期、糖尿病、术后放疗、年龄、高血压、术前血清白蛋白、肿瘤大小、引流持续时间和新辅助化疗。值得注意的是，尽管术前白蛋白在单变量分析中不显著，但在LASSO中被保留，提示其在多变量生物标志物背景下的贡献。通过LASSO特征选择，确定了用于建模的预测性生物标志物集合。

**3.4 多变量逻辑回归**
多变量分析识别出四个独立预测因子：肿瘤-肛缘距离（OR=0.733，95% CI 0.679–0.792，p<0.001）、造口还纳时间（OR=1.240，95% CI 1.124–1.369，p<0.001）、吻合口漏（OR=7.027，95% CI 1.876–26.325，p=0.004）和糖尿病（OR=2.793，95% CI 1.352–5.766，p=0.006）。术前白蛋白显示保护趋势（OR=0.972，95% CI 0.914–1.034，p=0.370）。通过多变量逻辑回归，确定了独立风险因素及其效应大小。

**3.5 预测模型性能**
在外部验证中，随机森林模型取得了最高AUC 0.903（准确度0.835，灵敏度0.871，特异度0.796，F1 0.847），其次为逻辑回归列线图（AUC 0.888，准确度0.833）。SVM（0.870）、LightGBM（0.866）、XGBoost（0.854）和MLP（0.840）排名较低。XGBoost和LightGBM显示过拟合（训练AUC≥0.99），而RF和LR表现出稳健的泛化能力。通过AUC、校准曲线、决策曲线分析等评估，随机森林模型在外部验证中表现最佳。

**3.6 SHAP分析**
SHAP分析揭示肿瘤-肛缘距离为最主要预测因子（平均|SHAP|=0.140），其次为造口还纳时间（0.077）、年龄（0.020）、引流持续时间（0.012）和术前白蛋白（0.010）。较低的白蛋白值始终与较高的预测LARS风险相关，证实其作为营养-炎症生物标志物的作用。通过SHAP分析，增强了模型可解释性，量化了各生物标志物的相对重要性。

**讨论与结论总结**

讨论部分指出，本研究开发并外部验证了整合生物标志物的ML预测模型，用于直肠癌LAR术后主要LARS。由于部分预测因子（如造口还纳时间、吻合口漏、引流持续时间、术后放疗）仅在术后或随访期间可得，模型主要定位为术后或治疗后风险分层工具。随机森林模型在外部验证中达到最高AUC 0.903，略优于传统列线图（AUC 0.888），并超过此前最大的多中心ML研究（Qin等，AUC 0.852）。肿瘤-肛缘距离作为最主要预测因子的优势，与低位吻合导致内括约肌复合体和储便功能破坏的病理生理学理解一致。吻合口漏作为强独立风险因子（OR 7.027），强调了预防漏策略对LARS预防的间接意义。糖尿病作为独立风险因子（OR 2.793），与其对周围神经、微血管和伤口愈合的不良影响一致。术前白蛋白在LASSO中保留且在SHAP中排名第五，尽管在传统回归中不显著，展示了ML从统计边缘性但临床相关生物标志物中提取预测信号的能力。方法学上，RF模型因bagging的方差降低特性而表现优越，而XGBoost和LightGBM过拟合提示多中心外部验证的重要性。研究局限性包括回顾性设计、部分预测因子非术前可得、部分中心样本量小、未纳入分子生物标志物、单时间点LARS评估等。

**研究结论翻译**：这项多中心研究表明，整合14个临床病理生物标志物（包括营养指标和治疗相关变量）的随机森林模型在术后或治疗后肠道功能障碍（主要LARS）方面取得了稳健的预测性能，外部验证AUC为0.903。肿瘤-肛缘距离、造口还纳时间、吻合口漏和糖尿病被确定为关键独立风险因素。随机森林模型略优于常规列线图（AUC 0.888），而列线图仍是一种实用且可解释的替代方案。这些生物标志物驱动的预测工具可促进直肠癌幸存者的术后风险分层、关于随访强度的共享决策以及针对性康复规划。