基于内镜特征的可解释模型预测老年早期消化道癌症患者ESD术后出血

《Frontiers in Medicine》：Predicting post-ESD bleeding in elderly patients with early gastrointestinal cancer: an explainable model based on endoscopic features

　　

摘要
背景：内镜黏膜下剥离术（ESD）因其微创、恢复期短和住院时间短，已成为早期消化道癌症的首选治疗方式。然而，术后出血仍是常见并发症，可能对临床结局产生不利影响，尤其在老年患者中。因此，准确预测ESD术后出血风险对于指导及时预防性干预、降低并发症发生率并最终改善患者预后至关重要。
目的：开发并解释一种基于内镜特征的机器学习模型，用于预测老年早期消化道癌症患者ESD术后出血，并利用SHAP（SHapley Additive exPlanations）提供可解释性见解。该模型旨在支持临床医生进行早期风险分层，并促进个体化围手术期管理，以改善结局。
方法：研究人员进行了一项回顾性研究，纳入2022年1月至2025年6月在安徽医科大学附属六安医院消化内科和急诊科接受治疗的236例老年早期消化道癌症患者。系统收集临床数据。采用分层随机抽样，将患者按7:3比例分配至训练集和测试集。通过最小绝对收缩与选择算子（LASSO）回归进行特征选择。开发了九种机器学习模型，并对表现最佳的模型进行SHAP分析以增强可解释性。
结果：在分析的236例患者中，35例符合ESD术后迟发性出血标准，发生率为14.8%。其余201例未发生迟发性出血。LASSO回归识别出与出血风险相关的七个变量：黏膜下粗大血管、黏膜下纤维化、病灶直径、病灶深度、手术时间、抗凝药物使用和血红蛋白水平。利用这些特征，研究人员构建了九种机器学习模型：K-近邻、支持向量机、极端梯度提升、近似最近邻、决策树、轻量级梯度提升机、随机森林、极端随机树和梯度提升机。在测试集中，极端随机树模型表现最佳，灵敏度为0.182，特异性为0.983，F1分数为0.286，受试者工作特征曲线下面积为0.879。SHAP分析表明，对模型预测贡献最大的特征按降序排列为：黏膜下粗大血管、病灶直径、抗凝药物使用、黏膜下纤维化、病灶深度、手术时间和血红蛋白水平。
结论：研究人员开发了一种可解释的极端随机树模型，可有效预测老年早期消化道癌症患者ESD术后出血风险。该工具可帮助临床医生早期识别高风险患者，从而支持靶向围手术期管理，并可能改善临床结局。

论文解读文章

**研究背景与问题**
消化道肿瘤是全球严重威胁人类健康的疾病之一，流行病学数据显示其占新发恶性肿瘤的25%以上，死亡率超过30%。早期筛查、精准诊断和及时干预是改善患者生存预后的关键步骤。内镜黏膜下剥离术（ESD）因其完整切除病灶、微创、术后恢复快和并发症发生率低等显著优势，已成为早期消化道肿瘤的标准治疗方式。然而，ESD技术操作难度高，切除范围较大，术后伤口愈合过程中迟发性出血是常见且主要的并发症，文献报道的发生率在1.8%至15.6%之间，老年患者、合并多种基础疾病者及长期接受抗凝治疗的患者风险更高。患者常表现为呕血或黑便，严重时可导致失血性休克甚至危及生命。因此，术前或术后早期准确评估迟发性出血风险，对于制定个体化监测和干预策略、提高手术安全性和远期预后具有重要临床意义。现有研究大多基于传统统计模型，变量维度有限，难以分析复杂因素间的非线性交互作用。近年来，机器学习（ML）技术凭借强大的数据拟合和模式识别能力，在疾病预后预测和并发症风险评估等领域展现出广泛应用潜力。通过整合多维临床数据、实验室指标和内镜特征，ML可构建高预测性能的风险模型。此外，引入模型可解释性工具如SHAP（SHapley Additive exPlanations），能够直观分析黑箱模型的输出，揭示各预测因子的贡献方向和大小，从而增强模型的临床可接受性和决策实用性。本研究旨在基于内镜特征构建并解释机器学习模型，预测老年早期消化道癌症患者ESD术后迟发性出血风险，为早期临床预警、精准干预和个体化围手术期管理提供理论依据，最终提升ESD手术疗效。论文发表在《Frontiers in Medicine》。

**主要关键技术方法**
本研究为回顾性观察性研究，数据来源于安徽医科大学附属六安医院消化内科和急诊科，纳入2022年1月至2025年6月期间收治的236例老年早期消化道癌症患者（食管癌77例，胃癌159例；男128例，女108例；平均年龄69.54±5.75岁）。关键技术方法包括：采用分层随机抽样按7:3比例将患者分为训练集和测试集；通过最小绝对收缩与选择算子（LASSO）回归进行特征选择，从21个候选变量中筛选出7个关键变量；基于筛选变量构建九种机器学习模型（K-近邻、支持向量机、极端梯度提升、近似最近邻、决策树、轻量级梯度提升机、随机森林、极端随机树、梯度提升机）；利用受试者工作特征曲线（ROC）、曲线下面积（AUC）、灵敏度、特异性、F1分数等指标评估模型性能；采用SHAP方法对最优模型进行可解释性分析；构建列线图（Nomogram）辅助临床快速估算风险，并通过校准曲线和决策曲线分析（DCA）评估模型校准度和临床净获益。

**研究结果**
**基线比较**：根据纳入排除标准，共236例患者入组。其中35例（14.83%）发生ESD术后迟发性出血，201例未发生。出血组与非出血组在黏膜下粗大血管（Feature 1）、黏膜下纤维化（Feature 2）、病灶直径（Feature 3）、病灶深度（Feature 4）、病灶数量、血红蛋白水平、抗凝药物使用、溃疡存在以及创面处理方式方面存在显著差异（P<0.05），其余变量差异无统计学意义。

**变量选择**：通过LASSO回归降维，以最优λ值筛选出7个变量：黏膜下粗大血管（Feature 1）、黏膜下纤维化（Feature 2）、病灶直径（Feature 3）、病灶深度（Feature 4）、手术时间、抗凝药物使用和血红蛋白（Hb）水平。其中前四个为内镜特征。

**机器学习模型构建与评估**：基于7个筛选变量，在训练集和测试集上开发了九种机器学习模型。在测试集中，极端随机树（ET）模型表现最优：灵敏度0.182，特异性0.983，F1分数0.286，ROC-AUC 0.879。校准曲线显示ET模型预测概率与观察结果之间具有良好一致性（Hosmer-Lemeshow检验χ2=8.206，P=0.414）。决策曲线分析表明，当阈值概率在6%至65%之间时，ET模型预测出血的净获益优于“全部治疗”或“不治疗”策略。

**机器学习模型可解释性分析**：采用SHAP分析解释ET模型，各特征对模型贡献的降序排列为：黏膜下粗大血管（Feature 1）、病灶直径（Feature 3）、抗凝药物使用（Anticoagulant）、黏膜下纤维化（Feature 2）、病灶深度（Feature 4）、手术时间（Operation time）和血红蛋白（Hb）水平。SHAP瀑布图展示了单个患者各特征对出血预测的贡献方向（红色增加风险，蓝色降低风险）。基于7个特征构建的列线图预测ROC-AUC为0.884（95% CI: 0.820–0.947），校准曲线显示良好一致性（Hosmer-Lemeshow检验χ2=4.891，P=0.769），决策曲线分析表明阈值概率在5%至70%范围内列线图模型净获益更高。

**讨论与结论**
讨论部分指出，早期消化道癌症定义为局限于黏膜或黏膜下层的恶性上皮肿瘤，ESD是当前标准治疗方式。本研究出血发生率为14.83%，与文献报道相符，提示老年患者ESD术后出血风险仍不容忽视。黏膜下粗大血管管径大、腔内压力高，术后凝血痂易脱落导致再出血；黏膜下纤维化模糊组织层次，增加深部血管损伤风险；病灶越大，切除范围越广，暴露的血管越多；黏膜下浸润使深层血管网更易受损；手术时间延长加剧局部水肿和炎症反应，影响止血；抗凝药物损害正常止血机制；低血红蛋白反映慢性贫血，影响黏膜修复。综合这些因素，ET模型在训练集和测试集中均表现出稳定且准确的预测性能。SHAP分析增强了模型透明度和可信度，解决了“黑箱”问题。研究局限性包括单中心回顾性设计、缺乏外部验证队列、样本量有限无法进行食管和胃病灶的亚组分析。未来需开展多中心、大样本研究以验证和优化模型，并重点关注病灶部位的分层分析。

**结论翻译**：总之，本研究开发的极端随机树模型对老年早期消化道癌症患者内镜黏膜下剥离术后迟发性出血风险具有准确的预测性能。这些发现为早期临床风险分层和个体化干预以改善手术结局提供了潜在基础。SHAP可解释性分析确定了特征重要性的排序：黏膜下粗大血管、病灶直径、抗凝药物使用、黏膜下纤维化、病灶深度、手术时间和血红蛋白水平。