《Frontiers in Oncology》：Leveraging machine learning algorithms to assess the impact of cervical cancer early detection on patients’ survival
编辑推荐：
背景：宫颈癌的发病率和死亡率仍然是全球面临的重大健康挑战，2022年其年龄标准化发病率（ASR）为7.3/100,000。低收入和中等收入国家（LMICs），尤其是撒哈拉以南非洲地区，宫颈癌的发病率和死亡率最高，分别占全球宫颈癌病例和死亡人数的70%至90%。
背景：宫颈癌的发病率和死亡率仍然是全球面临的重大健康挑战，2022年其年龄标准化发病率（ASR）为7.3/100,000。低收入和中等收入国家（LMICs），尤其是撒哈拉以南非洲地区，宫颈癌的发病率和死亡率最高，分别占全球宫颈癌病例和死亡人数的70%至90%。尽管卢旺达做出了相当大的努力，但2023年宫颈癌仍然是卢旺达女性中第二大常见癌症。尽管已有大量研究探讨了早期检测与更好预后之间的关系，但缺乏综合评估早期检测对卢旺达患者生存影响的研究。本研究旨在探索早期检测对生存结局的影响，研究机器学习（ML）技术在宫颈癌患者生存预测中的应用，以全面了解宫颈癌早期检测对患者生存的影响。
方法：这项回顾性队列研究分析了卢旺达国家癌症登记处（2016-2023年）的数据。采用Kaplan-Meier生存分析、Log-rank检验和Cox比例风险模型评估生存率和危险因素。开发了梯度提升（Gradient Boosting）、逻辑回归（Logistic Regression）和生存支持向量机（Survival Support Vector Machines，SSVM）模型，并使用5折分层交叉验证进行生存预测的测试和验证。数据清洗后保留了2,476条具有完整临床信息的记录。
结果：与晚期检测相比，早期检测将死亡风险降低了39%。梯度提升机器学习模型表现出优越的性能，准确率为82.2%，敏感性为99.7%，Brier分数最低（0.1408）。5折交叉验证确认了模型的稳定性（梯度提升的AUC为0.550 ± 0.038）。较差生存的关键预测因素包括诊断时年龄较大和HIV阳性。
结论：早期检测显著改善了宫颈癌患者的生存结局。HIV阳性和诊断时年龄是影响生存结局的关键因素。ML模型提供了强大的预测能力，能够在LMICs中实现资源优化和个体化护理。研究结果强调了扩大早期检测计划规模以及利用ML进行宫颈癌管理知情决策的重要性。
**论文解读：基于机器学习算法的宫颈癌早期检测对患者生存影响的综合评估**
**一、研究背景与问题提出**
宫颈癌的发病率和死亡率在全球范围内依然构成重大的公共卫生挑战。根据世界癌症研究基金国际（WCRFI）的数据，2022年宫颈癌的年龄标准化发病率（ASR）为7.3/100,000。世界卫生组织（WHO）报告指出，宫颈癌是全球女性中第四大常见癌症，全球每两分钟就有一名女性死于宫颈癌。2022年全球癌症统计（GLOBOCAN）数据显示，宫颈癌的发病率在所有新发癌症病例中排名第8位，占2000万新发病例的3.3%，在癌症死亡原因中排名第9位，占970万癌症死亡人数的3.6%。
低收入和中等收入国家（LMICs），特别是撒哈拉以南非洲地区，承受着宫颈癌不成比例的疾病负担，70%至90%的宫颈癌病例和死亡发生在这些地区。这一现象通常归因于LMICs有限的筛查资源，以及影响癌症诊断和治疗可及性的成本、负担能力等因素。此外，女性参与筛查项目的程度以及年龄因素也影响着宫颈癌筛查的有效性。尽管如此，通过筛查项目实现早期检测能够改善患者预后，包括更高的生存率和更低的发病率，这已是公认的事实。
高危型人乳头瘤病毒（HPV）感染是宫颈癌的主要致病原因。HPV基因组整合到宿主宫颈上皮细胞脱氧核糖核酸（DNA）中是宫颈病变发展的关键早期步骤。HPV通过性接触传播，导致了99%的宫颈癌病例。HIV感染的女性患宫颈癌的可能性是普通人群的六倍，HIV约占所有宫颈癌病例的5%。
宫颈癌是一种可预防的疾病。HPV疫苗接种用于一级预防、宫颈癌筛查项目用于早期检测以及癌前病变的治疗都是预防宫颈癌的有效策略。早期检测主要通过宫颈抹片（Pap）检查、HPV-DNA检测、醋酸肉眼观察（VIA）和卢戈氏碘液肉眼观察（VILI）等筛查方法实现。在高收入国家，这些筛查方法在降低宫颈癌死亡率方面已取得显著成效。
在卢旺达，宫颈癌是第二大常见癌症，2020年报告了1,229例新发病例和829例死亡。尽管卢旺达付出了巨大努力，包括建立国家宫颈癌项目、制定国家宫颈癌预防策略和综合筛查计划、启动HPV疫苗接种等，但2023年宫颈癌仍然是卢旺达女性中第二大常见癌症，且在15至44岁女性中是最常见的癌症。这种持续的高发病率表明，HPV疫苗对宫颈癌发病率的影响可能在接种人群达到该癌症最常见诊断年龄时才会显现。然而，鉴于筛查项目已知能提高宫颈癌生存率和降低发病率，其在卢旺达对患者生存的影响值得研究，以指导进一步的干预措施。
虽然高收入国家已通过组织性筛查项目成功降低了宫颈癌死亡率，但像卢旺达这样的LMICs尽管在HPV疫苗接种和国家筛查计划等方面做出了重大预防努力，仍然面临诊断延迟的挑战。虽然定期筛查对早期检测的重要性已得到公认，但早期检测对卢旺达背景下生存结局的具体影响仍未得到充分表征。这项研究通过分析国家登记数据和开发机器学习模型来预测生存结局，旨在弥补这一知识空白，为改善卫生保健干预措施和为卢旺达宫颈癌控制政策提供证据。
宫颈癌的肿瘤行为，包括其演变和治疗反应，显著影响患者生存率。机器学习的进步为基于各种临床和人口统计学特征的预测患者结局提供了有力工具。这项研究旨在开发机器学习模型来预测宫颈癌患者的死亡率，通过综合现有证据和分析基于人群的国家癌症登记处（NCR）数据，评估早期检测对生存的影响，为当前筛查策略的有效性提供见解，并识别改进全球宫颈癌控制工作的机会。
**二、主要技术方法**
研究人员采用回顾性队列研究设计，分析了2016年1月至2023年12月期间在卢旺达国家癌症登记处登记的所有确诊宫颈癌女性患者的档案数据。数据提取由卢旺达卫生部/生物医学中心（MOH/RBC）管理，涵盖人口统计学信息、诊断分期、HIV状态、治疗方式和生存结局。癌症分期遵循国际妇产科联合会（FIGO）分期系统，并据此将病例分为早期检测（Stage 1A至Stage 2A）和晚期检测（Stage 2B至Stage 4B）两类。数据分析采用Kaplan-Meier生存分析、Log-rank检验和Cox比例风险模型评估生存率和危险因素，并使用5折分层交叉验证开发、测试和验证了梯度提升、逻辑回归和生存支持向量机（SSVM）三种机器学习模型进行生存预测。最终数据清洗保留了2,476条具有完整临床信息的记录。
**三、研究结果**
**描述性统计**
在2016年至2023年间，共有5,329名女性接受了宫颈癌筛查，其中2,748例（51.6%）确诊为宫颈癌。在排除信息不完整的记录后，最终分析队列包含2,476例确诊宫颈癌患者。患者诊断时平均年龄为54.2岁，最短生存期不足一年，最长约为10.8年。在431例死亡患者中，59%为晚期诊断，仅7%为早期诊断。在HIV状态方面，8%的死亡患者为HIV阳性。
**Kaplan-Meier生存分析**
Kaplan-Meier生存分析显示，在整个随访期间，早期检测组在所有时间点的生存概率均持续高于晚期检测组。早期检测组的生存概率在12.98年时降至0，而晚期检测组在14.39年时降至0.0024。生存曲线的持续分离及95%置信区间的有限重叠表明两组间存在统计学显著差异，直观支持了早期检测的生存获益。
**Log-rank检验**
Log-rank检验结果具有统计学显著性（χ2 = 17.30，df = 1，p = 3.20 × 10??），明确表明早期检测组患者的生存结局显著优于晚期检测组。在所有可比较的时间点上，早期检测始终与更高的生存概率相关。
**Cox比例风险模型**
Cox比例风险模型分析显示，所有三个协变量均具有统计学显著关联：HIV阳性状态与显著更高的死亡风险相关（HR = 2.12；95% CI：1.50–3.00；p < 0.001）；诊断时年龄每增加一岁，死亡风险增加3%（HR = 1.03；95% CI：1.01–1.05；p = 0.012）；与晚期检测相比，早期检测与死亡风险降低39%相关（HR = 0.61；95% CI：0.37–0.98；p = 0.046）。模型的C指数为0.741，表明具有良好的预测性能。比例风险假设检验（Schoenfeld残差）显示所有协变量均未违反假设。
**模型性能**
在三种机器学习模型中，梯度提升模型表现最佳，在测试集上达到了最高的准确率（82.2%）和精确率（82.4%），最低的Brier分数（0.1408），以及最高的ROC AUC分数（0.6657），表明其在分类能力、概率校准和判别力方面具有优越的平衡性。5折分层交叉验证确认了模型的稳定性，梯度提升在所有折中保持了最高的平均AUC（0.550 ± 0.038）和最低的平均Brier分数（0.227 ± 0.005），折间方差低，排除了过拟合的可能。
**混淆矩阵**
混淆矩阵分析显示，所有三种模型都表现出接近零的真阴性率，这反映了数据集中的严重类别不平衡（82.6%存活 vs 17.4%死亡），导致模型倾向于预测生存。虽然由此产生的高敏感性（≥99.7%）在筛查支持情境中具有临床合理性，但特异性受限。未来的工作应探索SMOTE过采样和成本敏感学习等类别平衡方法。
**特征重要性**
置换重要性分析显示，诊断时年龄是梯度提升模型的主要预测因子（平均准确率下降 = 0.049 ± 0.018），其次是检测分期（0.011 ± 0.008）。HIV状态在ML分类器中的置换重要性最小（-0.008 ± 0.014），这可能是因为ML分析子集中HIV状态已知的患者比例较小。
**校准图**
校准图显示，梯度提升模型的校准曲线在整个预测概率范围内最接近理想对角线，特别是在中段范围，表明其概率估计具有更好的校准性和可靠性。相比之下，逻辑回归和支持向量机在高概率值处出现明显偏差，表明存在过度自信的预测。
**四、讨论与结论**
**讨论**
研究发现，大多数宫颈癌病例是在49岁及以上的女性中诊断出来的，这与撒哈拉以南非洲地区的趋势一致，强调了年龄特异性筛查策略的重要性。HIV状态对生存结局的影响尤为显著，HIV阳性女性的宫颈癌死亡率显著高于HIV阴性女性，这与将免疫抑制加速HPV进展和宫颈癌发展的机制归因于HIV的既往研究一致，凸显了整合HIV和宫颈癌服务的迫切需要。
早期检测的有效性在分析中得到了清晰展示，早期检测使死亡风险降低了39%，这与全球数据一致，进一步支持了在LMICs建立可及的系统性筛查的必要性。机器学习在识别宫颈癌结局关键预测因素方面提供了有力见解，梯度提升模型展示了高性能的预测能力，诊断时年龄和HIV状态成为显著变量。模型性能与使用类似LMIC登记数据集的研究相当。
**结论**
这项研究通过结合传统流行病学方法和机器学习方法，证明了早期检测的显著生存获益，为卢旺达宫颈癌生存结局提供了新的见解。人工智能技术（特别是梯度提升模型）的整合为在资源匮乏环境中加强临床决策和资源优化提供了一个有前景的框架。关键发现强调了扩大早期检测计划、为高风险人群实施综合HIV和宫颈癌服务以及利用机器学习工具进行个性化风险分层的重要性。未来的工作应侧重于加强国家癌症登记数据质量、将人工智能辅助筛查技术纳入常规实践以及扩大社区层面的早期检测项目。这项研究通过提供对面临类似医疗挑战的低收入和中等收入国家尤为相关的循证策略，为全球宫颈癌消除目标做出了贡献。
