01.12-01.18 临床预测模型研究顶刊快报

1、机器学习引导的肺结节恶性肿瘤分子影像引导手术  01.13  JAMA Network Open

1. 开发和验证可解释的机器学习模型，用于利用症状和生活方式数据进行非侵入性癌前胃病变筛查：多中心队列研究  01.16  eClinicalMedicine

1、多中心多组学整合预测甲状腺髓样癌的个体化预后  01.14  nature communications

2、识别肥胖儿童和青少年心血管代谢风险的可改变血浆蛋白标志物  01.14  nature communications 

1、机器学习引导的肺结节恶性肿瘤分子影像引导手术

Machine Learning–Guided Detection of Malignancy of Lung Nodules With Molecular Imaging–Guided Surgery

（1）背景：每年有大量肺结节被发现，但术中快速准确判断其良恶性仍存在挑战。传统的术中冰冻切片分析耗时长且易受主观影响，而分子影像学技术虽能实时成像，却缺乏标准化的定量分析方法。因此，研究旨在开发一种结合机器学习与分子影像的预测模型，实现对肺结节恶性潜能的快速、客观评估，以辅助外科医生在术中做出更精准的决策。

（2）结论：本研究成功构建并验证了一种基于机器学习与分子影像的预测模型，能够术中快速分析肺结节的荧光数据并计算恶性风险。模型在回顾性与前瞻性验证中均表现出高敏感性与特异性，其曲线下面积达0.865–0.893，判断时间不到2分钟，显著优于传统冰冻切片分析。该模型有望成为术中辅助决策的有效工具，提升肺结节手术的准确性与效率。

1、开发和验证可解释的机器学习模型，用于利用症状和生活方式数据进行非侵入性胃癌前病变筛查：多中心队列研究

Development and validation of an interpretable machine learning model for non-invasive screening of precancerous gastric lesions using symptom and lifestyle data: amulticentre cohort study

（1）背景：胃癌前病变（PLGC）是胃癌发展中的关键阶段，早期干预可显著降低死亡率。目前筛查主要依赖侵入性内镜检查，成本高且资源有限地区难以普及。已有研究尝试基于问卷、影像或生物标志物的非侵入性筛查，但缺乏仅基于症状和生活方式数据、且具有可解释性的机器学习模型。本研究旨在开发并验证一种利用症状和生活方式数据进行非侵入性PLGC筛查的可解释机器学习模型。

（2）结论：研究成功开发并验证了一个基于症状和生活方式数据的堆叠集成机器学习模型，该模型在内部测试集和外部验证集中均表现出优越的预测性能（AUC 0.79–0.82），显著优于现有指南推荐策略（AUC提升0.18–0.35）。通过SHAP分析识别出15个关键预测因子，包括幽门螺杆菌感染、年龄、黑便、腹胀痛等，模型兼具高临床可解释性。成本效益分析显示，该模型可降低37.1%的每例PLGC检出成本，为非侵入性、低成本的胃镜前风险分层提供了有效工具。

1、多中心多组学整合预测甲状腺髓样癌的个体化预后

Multi-center multi-omics integration predicts individualized prognosis in medullary thyroid carcinoma

（1）背景：甲状腺髓样癌（MTC）是一种侵袭性强且易复发的罕见神经内分泌肿瘤，现有预后工具主要依赖TNM分期和单组学数据，缺乏综合分子特征的精准分层方法。本研究基于多中心、多组学数据，旨在整合临床、基因组和蛋白质组特征，构建个体化的预后预测模型，以更准确地评估MTC患者的复发风险。

（2）结果：研究成功开发并验证了一个基于随机森林的整合预测模型，该模型结合了18个蛋白质和2个临床特征，在两个独立测试集中均表现出优异的预测性能，其曲线下面积分别达0.87和0.77，显著优于传统的国际MTC分级系统和单一组学模型。该模型能够有效区分高、低复发风险患者，为MTC个体化随访和治疗决策提供了强有力的工具。

2、识别肥胖儿童和青少年心血管代谢风险的可改变血浆蛋白标志物

Identification of modifiable plasma protein markers of cardiometabolic risk in children and adolescents with obesity

（1）背景：儿童肥胖与全身性低度炎症密切相关，是未来心血管代谢疾病和脂肪肝的重要风险因素。然而，目前缺乏有效的非侵入性生物标志物来早期识别和预测肥胖相关的代谢并发症风险。本研究利用靶向蛋白质组学技术，旨在从大规模儿童青少年队列中筛选与肥胖和心血管代谢风险相关的血浆蛋白标志物，并构建可用于风险预测的生物标志物组合。

（2）结果：研究发现多个血浆蛋白与肥胖及心血管代谢风险显著相关，并成功构建了一个三蛋白预测组合（CDCP1、FGF21、HAOX1）。该组合能够显著提升脂肪肝的预测效能，其联合传统肝酶指标后的AUC可达0.83，显著优于单独使用肝酶的0.77。这一模型为儿童肥胖相关脂肪肝的早期非侵入性筛查提供了有效工具。