基于多参数机器学习与唾液生物标志物的口腔鳞状细胞癌风险预测研究

《BMC Oral Health》：Predictive modeling of oral squamous cell carcinoma risk using a multi-parametric machine learning framework integrating clinical, sociodemographic, and salivary biomarker data

　　

摘要

口腔鳞状细胞癌（OSCC）由于诊断延迟和传统活检技术的侵入性，构成了重大公共卫生挑战，凸显了对准确、无创预后工具的需求。本研究开发并验证了一种多参数机器学习框架，该框架整合了社会人口学特征、生活方式行为和唾液生物标志物，以量化个体口腔鳞状细胞癌风险概率。在完成严格的数据预处理（包括完整案例分析和特征缩放）后，对4,200个临床样本的数据集进行了八种预测算法的分析。输入变量包括人口学变量以及IL-6、MMP-9和抗氧化能力等唾液分析物。模型通过五折交叉验证进行优化，并使用统计指标进行评估。多层感知器人工神经网络（MLP-ANN）表现最优，测试R2达到0.997，相对误差极小，优于集成分类器和基于实例的分类器。为了提升可解释性，研究应用了SHapley加法解释（SHAP）方法，揭示了饮酒和吸烟是恶性肿瘤风险的主要全局驱动因素。该模型还捕捉到了复杂的非线性生物相互作用：唾液MMP-9和IL-8升高是强烈的正向贡献因素，而抗氧化能力则表现出对氧化应激的保护性反向关系。依赖图进一步凸显了致癌物暴露的饱和阈值，提供了关于累积生活方式因素如何与炎症生物标志物相互作用的精细洞察。总体而言，所提出的MLP-ANN框架为早期口腔鳞状细胞癌检测提供了一种透明、高保真的工具，能够实现无创、个性化的风险分层和预防性干预。