基于机器学习的肝内胆管癌神经浸润术前预测模型构建与验证

本研究针对肝内胆管癌（ICC）患者术后复发和生存率受神经浸润（PNI）显著影响的问题，通过机器学习算法开发了可解释的术前预测模型。研究团队回顾性收集250例ICC患者临床数据，采用XGBoost等算法构建模型，发现肿瘤数量、大小和淋巴结转移是PNI的三大预测因子。该模型为临床医生提供了术前识别PNI的新工具，有助于个性化治疗决策，成果发表于《European Journal of Surgical Oncology》。

　　

肝内胆管癌（ICC）被称为"沉默的杀手"，这种起源于胆管上皮的恶性肿瘤近年来全球发病率持续攀升，尤其在亚洲地区更为显著。尽管外科技术和综合治疗不断进步，ICC患者的5年生存率仍不足30%，术后高复发率成为困扰临床医生的主要难题。在这一背景下，神经浸润（Perineural Invasion, PNI）这一特殊的肿瘤转移途径逐渐引起关注——癌细胞像"攀附电缆"般沿着神经纤维扩散，不仅加速肿瘤进展，还与化疗耐药密切相关。更棘手的是，目前PNI只能在术后病理检查中确诊，使得术前评估成为临床决策的盲区。

为解决这一关键问题，同济医院肝胆外科中心的研究团队开展了一项突破性研究。他们创新性地将机器学习（ML）技术应用于PNI术前预测，通过分析250例ICC患者的临床数据，构建了具有临床实用性的预测模型。研究发现，PNI阳性患者（31.2%）的肿瘤更大、多发灶比例更高，且伴随CA199水平升高和淋巴结转移。更重要的是，这些患者的无进展生存期（PFS）和总生存期（OS）显著差于PNI阴性组。研究团队采用XGBoost等四种算法建模，最终验证结果显示模型预测效能优异，并通过SHAP分析揭示肿瘤数量、大小和淋巴结转移是影响PNI的三大关键因素。

研究主要采用以下技术方法：1）回顾性队列研究设计，纳入2012-2022年同济医院接受根治性手术的ICC患者；2）应用逻辑回归、随机森林等四种机器学习算法建模；3）通过受试者工作特征（ROC）曲线和决策曲线分析（DCA）评估模型性能；4）采用SHAP值进行特征重要性分析。

【研究结果】
患者特征：PNI[+]组表现出更高的全身炎症标志物（NLR、PLR）、更大肿瘤尺寸（P<0.05），且CA199、淋巴结转移等指标显著升高。

模型性能：在验证组中，XGBoost模型展现出最佳预测能力，ROC曲线下面积达0.85以上。DCA证实模型具有临床适用性。

特征解析：SHAP分析可视化显示，肿瘤多灶性对PNI预测贡献最大，其次是肿瘤直径>5cm和淋巴结转移状态。

【结论与意义】
该研究首次建立了ICC术前PNI预测的机器学习模型，其创新性体现在三方面：首先，将PNI诊断从术后提前到术前，填补了临床空白；其次，通过可解释的SHAP分析揭示了PNI的关键驱动因素，为机制研究提供线索；最重要的是，模型可直接指导临床实践——外科医生可根据预测结果调整手术范围，对高风险患者考虑新辅助治疗或更密切的术后监测。这项发表于《European Journal of Surgical Oncology》的研究，为改善ICC个体化治疗提供了重要决策工具，标志着人工智能在肝胆肿瘤精准医疗中的应用迈出关键一步。