近日，中山大学肿瘤防治中心病理科黄雨华、云径平及李燕团队在淋巴瘤精准诊疗领域取得重要研究突破。团队牵头华西医院、四川省肿瘤医院等国内多家单位，成功开发并验证了一种基于机器学习算法的结外NK/T细胞淋巴瘤（ENKTL）预后新模型（ENKTL-ML），并在《npj Digital Medicine》发表题为“结外 NK/T 细胞淋巴瘤预测模型的构建与验证”的论文（点击文末阅读原文查看）。该模型为提升结外NK/T细胞淋巴瘤的风险分层精度和个体化治疗决策提供了全新的“智能工具”。
突破临床预测瓶颈：从传统模型到新型工具的范式跃迁
ENKTL是一种与EB病毒密切相关的侵袭性非霍奇金淋巴瘤，在东亚人群中相对高发。其病理特征、临床生物学行为及预后等方面均极具异质性。然而，临床常应用的国际预后指数（IPI）、韩国预后指数（KPI）、自然杀伤细胞淋巴瘤预后指数(PINK)等传统模型，主要基于年龄、分期等临床参数，未整合对ENKTL具有重要预后预测价值的病理学参数，导致其预测精准度欠佳，难以满足当下精准医学指导下的个体化治疗需求。尽管近年来涌现的分子分型等技术提升了预测精度，但其对二代测序等复杂技术的依赖，限制了在更广泛临床场景中的即时应用。
研究设计简图
多中心大数据×机器学习：高精度模型构建新范式
为攻克这一难题，团队联合华西医院、四川省肿瘤医院等国内多家单位，开展了一项大规模、多中心回顾性研究。研究共纳入977例接受当前标准非蒽环类方案治疗的ENKTL患者，并将其分为训练队列、内部验证队列及两个独立的外部验证队列。
团队通过严谨的特征筛选流程，从14项临床病理指标中确定了13项核心特征（包括性别、年龄、EBV-DNA拷贝数、Ki67增殖指数等），并综合评估了16种机器学习算法。结果显示，梯度提升机（GBM）算法构建的ENKTL-ML评分模型预测效能最优：其在内部验证队列和两个外部验证队列中的一致性指数（c-index）分别达到0.82、0.84和0.83；5年时间依赖性受试者工作特征曲线下面积（AUROC）分别高达0.86、0.86和0.82，显著优于传统的IPI（c-index=0.61）和KPI（c-index=0.64）模型等。模型校准曲线也显示其预测生存概率与实际观察结果高度吻合，可靠性良好。
三层风险分层：精准识别高危人群，指导治疗升级
基于ENKTL-ML评分，研究团队建立了低危、中危、高危的三层风险分层体系，三组患者的长期生存差异具有显著统计学意义，高危组亟需强化或探索更有效的治疗方案。值得关注的是，亚组分析显示，该模型对早期（Ann Arbor Ⅰ期）患者同样具备卓越的分层能力。在Ⅰ期患者中，低、中、高危三组的5年总生存率呈现显著梯度，有力弥补了传统分期系统在早期患者预后判断上的不足。更重要的是，针对不同治疗方案的亚组分析为该模型的临床指导价值提供了直接证据：分析显示，高危患者从包含抗PD-1单抗的联合治疗中获得了显著的生存获益，而低危及中危患者则未见明显差异。这提示该模型有望精准识别出最可能从强化免疫治疗中获益的人群。
便捷在线工具：赋能全球临床实践与个体化决策
为推动科研成果的快速临床转化，团队同步开发了免费的在线计算工具（https://highcloud.shinyapps.io/ENKTL_ML_Scores/）。全球临床医生只需输入患者的13项常规临床病理指标（如EBV-DNA、Ki67指数等，均为标准实验室可及项目），可即时获得患者的风险评分、风险分层及预后预测结果，操作便捷，不增加患者额外经济负担。
该成果再次彰显了中山大学肿瘤防治中心在ENKTL精准诊疗及临床转化研究领域的全球领先地位。未来，团队计划开展前瞻性研究进一步验证模型效能，并探索整合基因组、转录组等多维数据，持续优化模型，为ENKTL的精准治疗与新药研发提供更强支撑。
中山大学肿瘤防治中心李硕医师、四川大学华西医院高立敏主任医师、四川省肿瘤医院洪煌明主任医师、中山大学肿瘤防治中心钟宇佳博士为本文共同第一作者。中山大学肿瘤防治中心黄雨华主任医师、云径平教授和李燕副主任医师为本文的共同通讯作者。
来源：中山大学肿瘤防治中心订阅号
免责声明：本公众号旨在为医疗卫生专业人士提供肿瘤领域资讯参考，促进专业交流。内容仅供信息交流，不可替代专业医疗指导，亦非诊疗建议。 据此操作，风险自担。转载内容均已标注来源及作者。如有版权问题，请留言联系，我们将及时处理。
热门跟贴