為個體化治療提供“智能導航”！黃雨華、云徑平及李燕團隊發布淋巴瘤精準預后新模型

近日，中山大學腫瘤防治中心病理科黃雨華、云徑平及李燕團隊在淋巴瘤精準診療領域取得重要研究突破。團隊牽頭華西醫院、四川省腫瘤醫院等國內多家單位，成功開發并驗證了一種基于機器學習算法的結外NK/T細胞淋巴瘤（ENKTL）預后新模型（ENKTL-ML），并在《npj Digital Medicine》發表題為“結外 NK/T 細胞淋巴瘤預測模型的構建與驗證”的論文（點擊文末閱讀原文查看）。該模型為提升結外NK/T細胞淋巴瘤的風險分層精度和個體化治療決策提供了全新的“智能工具”。

突破臨床預測瓶頸：從傳統模型到新型工具的范式躍遷

ENKTL是一種與EB病毒密切相關的侵襲性非霍奇金淋巴瘤，在東亞人群中相對高發。其病理特征、臨床生物學行為及預后等方面均極具異質性。然而，臨床常應用的國際預后指數（IPI）、韓國預后指數（KPI）、自然殺傷細胞淋巴瘤預后指數(PINK)等傳統模型，主要基于年齡、分期等臨床參數，未整合對ENKTL具有重要預后預測價值的病理學參數，導致其預測精準度欠佳，難以滿足當下精準醫學指導下的個體化治療需求。盡管近年來涌現的分子分型等技術提升了預測精度，但其對二代測序等復雜技術的依賴，限制了在更廣泛臨床場景中的即時應用。

研究設計簡圖

多中心大數據×機器學習：高精度模型構建新范式

為攻克這一難題，團隊聯合華西醫院、四川省腫瘤醫院等國內多家單位，開展了一項大規模、多中心回顧性研究。研究共納入977例接受當前標準非蒽環類方案治療的ENKTL患者，并將其分為訓練隊列、內部驗證隊列及兩個獨立的外部驗證隊列。

團隊通過嚴謹的特征篩選流程，從14項臨床病理指標中確定了13項核心特征（包括性別、年齡、EBV-DNA拷貝數、Ki67增殖指數等），并綜合評估了16種機器學習算法。結果顯示，梯度提升機（GBM）算法構建的ENKTL-ML評分模型預測效能最優：其在內部驗證隊列和兩個外部驗證隊列中的一致性指數（c-index）分別達到0.82、0.84和0.83；5年時間依賴性受試者工作特征曲線下面積（AUROC）分別高達0.86、0.86和0.82，顯著優于傳統的IPI（c-index=0.61）和KPI（c-index=0.64）模型等。模型校準曲線也顯示其預測生存概率與實際觀察結果高度吻合，可靠性良好。

三層風險分層：精準識別高危人群，指導治療升級

基于ENKTL-ML評分，研究團隊建立了低危、中危、高危的三層風險分層體系，三組患者的長期生存差異具有顯著統計學意義，高危組亟需強化或探索更有效的治療方案。值得關注的是，亞組分析顯示，該模型對早期（Ann Arbor Ⅰ期）患者同樣具備卓越的分層能力。在Ⅰ期患者中，低、中、高危三組的5年總生存率呈現顯著梯度，有力彌補了傳統分期系統在早期患者預后判斷上的不足。更重要的是，針對不同治療方案的亞組分析為該模型的臨床指導價值提供了直接證據：分析顯示，高危患者從包含抗PD-1單抗的聯合治療中獲得了顯著的生存獲益，而低危及中危患者則未見明顯差異。這提示該模型有望精準識別出最可能從強化免疫治療中獲益的人群。

便捷在線工具：賦能全球臨床實踐與個體化決策

為推動科研成果的快速臨床轉化，團隊同步開發了免費的在線計算工具（https://highcloud.shinyapps.io/ENKTL_ML_Scores/）。全球臨床醫生只需輸入患者的13項常規臨床病理指標（如EBV-DNA、Ki67指數等，均為標準實驗室可及項目），可即時獲得患者的風險評分、風險分層及預后預測結果，操作便捷，不增加患者額外經濟負擔。

該成果再次彰顯了中山大學腫瘤防治中心在ENKTL精準診療及臨床轉化研究領域的全球領先地位。未來，團隊計劃開展前瞻性研究進一步驗證模型效能，并探索整合基因組、轉錄組等多維數據，持續優化模型，為ENKTL的精準治療與新藥研發提供更強支撐。

中山大學腫瘤防治中心李碩醫師、四川大學華西醫院高立敏主任醫師、四川省腫瘤醫院洪煌明主任醫師、中山大學腫瘤防治中心鐘宇佳博士為本文共同第一作者。中山大學腫瘤防治中心黃雨華主任醫師、云徑平教授和李燕副主任醫師為本文的共同通訊作者。

來源：中山大學腫瘤防治中心訂閱號

免責聲明：本公眾號旨在為醫療衛生專業人士提供腫瘤領域資訊參考，促進專業交流。內容僅供信息交流，不可替代專業醫療指導，亦非診療建議。 據此操作，風險自擔。轉載內容均已標注來源及作者。如有版權問題，請留言聯系，我們將及時處理。