《Frontiers in Cell and Developmental Biology》：Machine learning models for predicting liver cancer: a real-world cohort study in China
编辑推荐：
背景：肝癌（liver cancer）全球发病率与死亡率高，及时识别对改善预后十分重要。然而基于常规可获取临床数据的预测模型在住院真实世界人群中仍缺乏充分评估。本研究旨在利用多维度临床与实验室特征开发并可解释地建模肝癌预测模型。
方法：这项回顾性真实世界队列纳
背景：肝癌（liver cancer）全球发病率与死亡率高，及时识别对改善预后十分重要。然而基于常规可获取临床数据的预测模型在住院真实世界人群中仍缺乏充分评估。本研究旨在利用多维度临床与实验室特征开发并可解释地建模肝癌预测模型。
方法：这项回顾性真实世界队列纳入海南省人民医院2020年1月至2023年12月9,284名住院患者，分为训练集（n=6,426）与内部验证集（n=2,858）。收集74项人口学、临床与实验室变量。训练集中采用最小绝对收缩与选择算子（LASSO）回归进行特征选择。开发6种模型：逻辑回归（logistic regression）、随机森林（random forest）、支持向量机（SVM）、k近邻（KNN）、极端梯度提升（XGBoost）和弹性网络（Elastic Net）。区分度主要用受试者工作特征曲线下面积（AUC）评估。决策曲线分析（DCA）评估临床净获益，SHapley Additive exPlanations（SHAP）用于模型解释。
结果：肝癌占训练队列48.7%、验证队列48.8%。LASSO在最小误差惩罚下保留57个非零模型项。XGBoost所有模型中AUC最高，训练集AUC为0.909（95% CI，0.903–0.915），验证集AUC为0.802（95% CI，0.788–0.817）。阈值0.5时，验证集准确率、灵敏度、特异度与F1分数分别为0.730、0.758、0.698与0.753。决策曲线分析显示XGBoost在较广阈值概率范围内净临床获益最大。SHAP分析确定血清唾液酸（SSA）、天冬氨酸氨基转移酶/丙氨酸氨基转移酶比值（AST/ALT）、碱性磷酸酶（ALP）、嗜碱性粒细胞百分比（BASO%）与单核细胞/淋巴细胞比值（MLR）为主要预测因子。
结论：XGBoost在住院真实世界队列中用常规临床与实验室数据对肝癌预测具有良好区分度与可解释性。血清唾液酸、AST/ALT与ALP为重要预测因子。在门诊、首诊、高风险及外部人群中的前瞻性验证是更广泛临床或筛查应用前所必需的。
《Frontiers in Cell and Developmental Biology》刊发的该项研究以肝癌早诊困境为出发点。肝癌是全球癌症死亡的重要原因，中国负担尤其沉重。当前指南推荐对肝硬化、慢性乙型肝炎等高危人群每6个月行腹部超声联合甲胎蛋白（AFP）筛查，但超声对早期肝细胞癌（HCC）灵敏度有限，AFP在部分肝癌患者可正常、在良性肝病又可升高，因此亟需低成本、可解释的补充风险识别工具。现有人工智能（AI）模型常依赖影像或数字病理，在初级医疗与住院常规数据中推广受限。研究人员因此利用住院电子病历中的常规实验室与临床数据，构建可解释的机器学习预测模型，以考察大规模住院检验数据是否支持肝癌低风险分层。
作者所采用的关键技术方法包括：基于海南省人民医院2020年1月至2023年12月住院患者建立回顾性真实世界队列；按结局分层以7:3划分训练集与内部验证集；在训练集内用LASSO回归结合5折交叉验证筛选特征；构建逻辑回归、随机森林、支持向量机（SVM）、k近邻（KNN）、极端梯度提升（XGBoost）与弹性网络（Elastic Net）六类分类模型；以受试者工作特征曲线下面积（AUC）为主指标，并以决策曲线分析（DCA）评估临床净获益；用SHapley Additive exPlanations（SHAP）与XGBoost增益指标进行全局解释。
3 结果
3.1 研究人群与基线特征：研究人员纳入9,284名住院患者，训练集6,426人、验证集2,858人，肝癌比例均约48.8%。非肝癌对照并非健康人，而是肝硬化、慢性肝病、病毒性肝炎等住院患者。基线比较显示肝癌组年龄更高、男性占比更高，中性粒细胞计数、血小板计数、ALT、AST、GGT、ALP、AFP升高，淋巴细胞百分比、白蛋白、白蛋白/球蛋白比值、凝血酶原时间、国际标准化比值（INR）降低。
3.2 模型构建与性能比较：LASSO在最小误差准则下保留57个非零项，最大方差膨胀因子为6.77， bootstrap分析中SSA、BASO%、ALP、视黄醇结合蛋白（RBP）与AST/ALT等核心预测因子稳定入选。XGBoost训练集AUC 0.909（95% CI，0.903–0.915），验证集AUC 0.802（95% CI，0.788–0.817），高于逻辑回归、随机森林、KNN、Elastic Net，也显著优于SVM（P=0.037）。阈值0.5时验证集准确率0.730、灵敏度0.758、特异度0.698、F1分数0.753。
3.3 临床效用分析：决策曲线分析显示，在较广阈值概率范围内XGBoost净获益最高；SVM在高风险阈值大于0.6时表现较好；逻辑回归、Elastic Net与KNN多数阈值下净获益较低。降低阈值可提高灵敏度与阴性预测值，但会降低特异度与阳性预测值。
3.4 模型解释：SHAP与增益分析均将SSA列为首位重要特征。正向贡献主要来自SSA、AST/ALT与ALP升高。前五重要特征为SSA、AST/ALT、ALP、BASO%与MLR，涵盖肝功能、炎症与代谢营养信息，但仅为模型关联而非因果机制。
讨论部分指出，XGBoost在本队列中区分度与净临床获益优于多数传统模型，且使用常规电子病历与检验指标，不依赖专用设备。但与GALAD、AFP等已有工具无直接头对头比较，增量价值尚未证实。研究局限包括单中心住院人群、病例比例接近平衡、无独立外部验证、无BCLC分期、AFP-L3与去γ羧基凝血酶原不可用、疾病谱按诊断记录而非唯一患者计数。研究人员强调模型尚不能作为社区或初级医疗筛查工具，需在门诊首诊、高风险随访、社区队列与外部多中心人群中前瞻性验证。
5 结论
研究人员基于真实世界住院人群常规临床指标构建XGBoost肝癌预测模型。该模型在内部验证中具有满意区分度与净临床获益，证明利用大规模常规检验数据开发肝癌风险预测模型具有可行性。血清唾液酸（SSA）、天冬氨酸氨基转移酶/丙氨酸氨基转移酶比值（AST/ALT）与碱性磷酸酶（ALP）等关键预测因子对模型性能贡献显著。在模型用于更广泛早期风险识别或人群筛查前，仍需在门诊与首诊患者、分期分层评价、外部验证及与既有筛查工具比较中进一步验证。
