《Frontiers in Oncology》：Development of multi-algorithm machine learning models integrating novel serum biomarkers for survival prediction in colorectal cancer: a retrospective cohort study
编辑推荐：
背景：由于肿瘤异质性，结直肠癌（colorectal cancer, CRC）的预后预测仍具挑战性，且现有基于机器学习的预后研究常依赖单一算法或有限的特征类型。本研究旨在采用多算法协作策略，识别CRC患者的关键预后因素，并构建整合多维度特征的预后列线图。
背景：由于肿瘤异质性，结直肠癌（colorectal cancer, CRC）的预后预测仍具挑战性，且现有基于机器学习的预后研究常依赖单一算法或有限的特征类型。本研究旨在采用多算法协作策略，识别CRC患者的关键预后因素，并构建整合多维度特征的预后列线图。
方法：在R环境中使用randomForest、glmnet（用于LASSO回归）和caret包进行深度机器学习分析。应用三种算法（LASSO回归、XGBoost、随机森林）筛选73个临床病理特征，将三种方法结果的交集确定为关键枢纽特征。采用Kaplan-Meier法（log-rank检验）进行生存分析，Cox回归分析确认独立预后关联。通过校准曲线、时间依赖性AUC、C-index、决策曲线分析（decision curve analysis, DCA）和内部验证队列验证列线图性能。
结果：多算法交集确定了6个关键枢纽特征，涵盖病理学（M分期、N分期）、血清学（胱抑素C、同型半胱氨酸、γ-谷氨酰转移酶）和人口学（年龄）因素。Cox回归确认这些因素是CRC患者总生存期（overall survival, OS）和无进展生存期（progression-free survival, PFS）的独立预测因子。为1–5年OS和PFS开发的预后列线图显示出极佳的校准度（预测与观察生存一致）和高准确性（OS C-index：0.730，95% CI：0.707-0.753；PFS C-index：0.722，95% CI：0.700-0.744；OS的AUC >75%，PFS的AUC >77%）。DCA显示列线图优于传统病理分期的临床效用。内部验证队列确认了稳健的预测性能。
结论：该研究创新性地使用多算法交叉验证策略识别6个多维度枢纽特征。首次将临床、病理、血清学和人口学因素全面整合到CRC预后列线图中，其性能优于传统分期，能够为CRC患者实现更个体化、临床可操作的预后预测。
结直肠癌（colorectal cancer, CRC）是全球高发且致死率极高的恶性肿瘤，其预后预测因肿瘤异质性而面临巨大挑战。传统TNM病理分期仅依据解剖学肿瘤扩散状态，忽略了个体系统代谢差异，无法充分解释相同分期患者间的生存异质性。既往基于机器学习的CRC预后研究多采用单一算法或局限的特征类型，缺乏多维度整合与临床效用的严格验证。因此，迫切需要开发整合病理指标与循环实验室标志物的多维预后评估系统，以实现个体化治疗决策。
为填补这一空白，研究人员采用多算法协作策略，对来自广西医科大学第一附属医院结直肠肛门外科2012—2015年间接受手术治疗的CRC患者进行回顾性队列分析。研究共纳入1329例患者，排除66例失访后，最终分析队列为1263例。纳入对象为病理确诊的结直肠腺癌且临床病理资料完整者；对于M1期转移患者，仅纳入接受根治性原发灶与有限转移灶同期切除的寡转移病例。研究人员系统采集了73项人口学与临床病理特征，包括TNM分期、肿瘤部位、脉管神经侵犯、血常规、肝肾功能及肿瘤标志物等。
在关键技术方法上，研究人员基于R环境中的randomForest、glmnet和caret包，应用三种机器学习算法——最小绝对收缩和选择算子（Least absolute shrinkage and selection operator, LASSO）回归、极端梯度提升（eXtreme Gradient Boosting, XGBoost）和随机森林（Random Forest, RF）——对73项特征进行筛选，并以三种算法结果的交集确定关键枢纽特征。随后采用Kaplan-Meier法（log-rank检验）进行生存分析，通过Cox回归确认独立预后关联。基于筛选出的特征构建预后列线图，并通过校准曲线、时间依赖性受试者工作特征（receiver operating characteristic, ROC）曲线、一致性指数（C-index）、决策曲线分析（DCA）以及内部验证队列（按1:1随机分为两个亚组）进行多维度验证。
研究结果部分包括以下四个主要方面。
**人口统计学特征**：最终分析队列包括1263例CRC患者，其中男性799例（63.3%），女性464例（36.7%），平均年龄59.23±12.63岁。I期252例（20.0%），II期427例（33.8%），III期473例（37.5%），IV期111例（8.8%）。中位随访时间为64.7个月，随访期间581例死亡，398例出现复发转移。死亡患者通常具有更低的身体质量指数（body mass index, BMI）、更晚的分期，且更易发生神经周围侵犯、血管侵犯、低分化、癌胚抗原（carcinoembryonic antigen, CEA）升高及更高的复发率。
**通过多机器学习方法识别重要临床病理特征**：LASSO回归在最优λ=0.022时筛选出29个特征，其中M分期、N分期、胱抑素C、CEA和血管侵犯排名靠前；XGBoost算法按重要性得分选出前15个特征，M期和N期得分最高，其次为单核细胞计数、肌酐、平均血小板体积、同型半胱氨酸、年龄和γ-谷氨酰转移酶；RF算法选择出12个特征，M期、N期、T期、AST/ALT比值、GGT、同型半胱氨酸、肌酐和年龄位列前茅。三种算法结果的交集通过韦恩图可视化，最终确定6个候选枢纽特征：M分期、N分期、胱抑素C、同型半胱氨酸、γ-谷氨酰转移酶和年龄。
**预后列线图的开发**：多因素Cox回归分析证实，这6个特征均为影响CRC患者OS和PFS的独立因素。基于此构建的OS列线图（预测1–5年总生存）和PFS列线图（预测1–5年无进展生存）显示，随着M/N分期进展、胱抑素C、同型半胱氨酸、γ-谷氨酰转移酶水平升高及年龄增加，列线图得分相应增高，提示预后不良风险增大。1年、3年、5年的OS和PFS校准曲线均显示预测概率与实际观察之间具有极佳一致性。时间依赖性ROC曲线结果显示，OS列线图的AUC在1–5年均超过75%，PFS列线图的AUC超过77%。OS和PFS列线图的C-index分别为0.730（95% CI：0.707-0.753）和0.722（95% CI：0.700-0.744），表明预测精度良好。DCA表明，该列线图在预测1年、3年、5年预后方面优于传统病理分期。根据列线图得分中位数将患者分为高分和低分两组，高分组的OS和PFS显著低于低分组。
**预后列线图的验证**：研究人员将总体人群随机分为A（632例）和B（631例）两个验证队列，两队列间临床病理特征无显著统计学差异。在A和B两个验证队列中，OS和PFS列线图的校准曲线均表现良好，ROC曲线同样显示其在1年、3年和5年预测中具有高准确性。DCA结果进一步证实了预后列线图相对于传统TNM分期的显著临床获益。高分患者的预后显著差于低分患者。在验证队列A中，OS和PFS列线图的C-index分别为0.719（95% CI：0.689-0.749）和0.717（95% CI：0.687-0.747）；在验证队列B中，分别为0.743（95% CI：0.711-0.775）和0.728（95% CI：0.697-0.759），证明模型具有稳健的预测性能。
在讨论部分，研究人员总结了该研究的创新性与临床意义。相对于既往依赖单一算法的研究，该研究采用LASSO、XGBoost和RF三种互补算法进行交叉验证，取交集确定枢纽特征，有效避免了单一算法的特征偏差，提高了模型的稳健性。该研究是首个将病理（M/N分期）、血清学（胱抑素C、同型半胱氨酸、γ-谷氨酰转移酶）和人口学（年龄）因素全面整合进CRC预后列线图的模型，填补了现有模型对“单一类型特征过度依赖”的空白。所纳入的血清学标志物为常规生化检查项目，成本低、无创、易获取，具有良好的临床可及性。DCA量化了净临床获益，证明列线图优于传统TNM分期，有助于临床医生进行更准确的风险分层并制定个体化治疗策略。
研究人员也坦诚讨论了局限性：该研究为单中心回顾性研究，尽管内部验证表现良好，但仍需多中心外部验证以确认泛化性；模型未包含遗传和分子因素；机器学习模型的可解释性尚待提升，未来可探索可解释人工智能（explainable AI, XAI）技术如SHAP值；仅与传统TNM分期进行统计比较，未与其他预后模型对比；由于M1期患者严格限定为寡转移接受了根治性切除者，模型不适用于广泛转移无法切除的患者；部分代谢指标在基层医院常规检测中尚未普及，可能限制模型的广泛推广。
研究结论部分可翻译为：研究人员利用机器学习算法开发了整合临床、病理、血清学和人口学因素的预后模型，为CRC患者提供个体化预后预测。这些模型优于传统TNM分期，可作为预测CRC患者OS和PFS的有效、用户友好的临床工具。
