嚴(yán)健亮 謝澤宇 景蓉蓉 崔明

1南通大學(xué)附屬醫(yī)院檢驗(yàn)科（江蘇南通 226006）；2南通大學(xué)醫(yī)學(xué)院 （江蘇南通 226006）；3河海大學(xué)商學(xué)院（南京 211100）

胃癌是一種全球范圍內(nèi)高度惡性的消化系統(tǒng)腫瘤，在中國(guó)死亡率排第三，構(gòu)成嚴(yán)重的公共衛(wèi)生風(fēng)險(xiǎn)［1］。淋巴結(jié)轉(zhuǎn)移（lymph node metastasis，LNM）是其主要轉(zhuǎn)移方式，影響患者預(yù)后和化療方案的選擇［2］。通過(guò)對(duì)胃癌LNM 與否的判斷，可及時(shí)監(jiān)測(cè)胃癌的進(jìn)展、治療效果和患者恢復(fù)情況。目前，胃癌LNM 的診斷主要包括病理學(xué)診斷、影像學(xué)檢查及實(shí)驗(yàn)室輔助檢查。病理學(xué)檢查和內(nèi)鏡下活檢常用于檢測(cè)胃癌LNM［3］。此方法獲得的組織樣本通常小而淺表，且形狀不規(guī)則［4］，因而有局限性。影像學(xué)檢查具有輻射損害且費(fèi)用高，其診斷準(zhǔn)確率在40% ～ 88%［5］。實(shí)驗(yàn)室檢查具有非侵入性、成本低和易于收集等優(yōu)勢(shì)，但單一指標(biāo)不足以診斷胃癌LNM，需多指標(biāo)聯(lián)合。

傳統(tǒng)的多指標(biāo)聯(lián)合涉及的統(tǒng)計(jì)方法對(duì)數(shù)據(jù)的要求高，并依賴于一定的假設(shè)［6］，難以挖掘其臨床價(jià)值。機(jī)器學(xué)習(xí)通過(guò)自動(dòng)發(fā)現(xiàn)檢驗(yàn)數(shù)據(jù)中的模式和規(guī)律，能實(shí)現(xiàn)胃癌LNM 的快速準(zhǔn)確預(yù)測(cè)。然而機(jī)器學(xué)習(xí)算法種類多樣，每種算法各有特點(diǎn)和適用場(chǎng)景，需要通過(guò)多種模型的對(duì)比試驗(yàn)來(lái)確定適用于胃癌LNM 預(yù)測(cè)的指標(biāo)集合和算法類型［7］。本研究利用并比較不同機(jī)器學(xué)習(xí)方法，深入挖掘常規(guī)檢驗(yàn)數(shù)據(jù)，篩選重要指標(biāo)集合并構(gòu)建胃癌LNM預(yù)測(cè)模型，以期輔助臨床醫(yī)生進(jìn)行更準(zhǔn)確的診斷，減少誤診和漏診的風(fēng)險(xiǎn)。

1 資料與方法

1.1 資料來(lái)源 本研究從南通大學(xué)附屬醫(yī)院醫(yī)療數(shù)據(jù)庫(kù)的LIS 系統(tǒng)中獲取患者檢驗(yàn)數(shù)據(jù)和臨床特征，包括每例患者的檢查類型、人口學(xué)信息、住院號(hào)、檢驗(yàn)項(xiàng)目等。本研究涉及的住院患者的所有醫(yī)療統(tǒng)計(jì)資料數(shù)據(jù)均已去除相關(guān)隱私信息。病理檢測(cè)結(jié)果從JDRMS 系統(tǒng)導(dǎo)出。本研究按美國(guó)癌癥聯(lián)合委員會(huì)發(fā)布的TNM 分期（第八版）標(biāo)準(zhǔn)對(duì)胃癌患者pTNM 進(jìn)行分期。本研究已獲得南通大學(xué)附屬醫(yī)院倫理委員會(huì)（編號(hào)：2022-L025）批準(zhǔn)。

1.2 納入和排除標(biāo)準(zhǔn) 根據(jù)納入和排除標(biāo)準(zhǔn)篩選胃癌患者數(shù)據(jù)并提取指標(biāo)。納入標(biāo)準(zhǔn)：（1）術(shù)后病理證實(shí)為胃癌；（2）無(wú)腫瘤治療史；（3）為首次患癌者。根據(jù)納入標(biāo)準(zhǔn)回顧性收集南通大學(xué)附屬醫(yī)院2020 年1 月2 日至2022 年1 月4 日741 例術(shù)前胃癌患者數(shù)據(jù)用于訓(xùn)練和測(cè)試，包含476 例LNM患者和265 例non-LNM 患者，因有文獻(xiàn)報(bào)道，中性粒細(xì)胞-淋巴細(xì)胞比值（neutrophil-to-lymphocyte ratio，NLR）可預(yù)測(cè)胃癌LNM［15］，本研究對(duì)其進(jìn)行基本特征統(tǒng)計(jì)見表1。此外，收集2023 年1 月1 日至10 月31 日期間102 例術(shù)前胃癌患者數(shù)據(jù)用于驗(yàn)證，對(duì)受試者所有醫(yī)療統(tǒng)計(jì)資料進(jìn)行隱私數(shù)據(jù)脫敏。排除標(biāo)準(zhǔn)：（1）既往有惡性腫瘤或多發(fā)原發(fā)腫瘤病史；（2）術(shù)前放療或化療史；（3）臨床病理診斷尚不明確的受試者。

表1 受試者基本特征Tab.1 Basic characteristics of subjects 例

1.3 臨床常規(guī)檢驗(yàn)指標(biāo)收集 本研究使用66 項(xiàng)臨床常規(guī)檢驗(yàn)指標(biāo)，主要是血常規(guī)和生化指標(biāo)。包括血常規(guī)23 項(xiàng)，生化指標(biāo)24 項(xiàng)，凝血象8 項(xiàng)，免疫及腫瘤標(biāo)志物8 項(xiàng)，糞便檢查1 項(xiàng)，以及性別和年齡。采用Symex XE-2100血液分析儀進(jìn)行白細(xì)胞計(jì)數(shù)、中性粒細(xì)胞計(jì)數(shù)、中性粒細(xì)胞分類等23 項(xiàng)血常規(guī)分析；在貝克曼DXI800上進(jìn)行24項(xiàng)生化指標(biāo)分析，包括β2微球蛋白（β2-Microglobulin，β2-MG）、甘膽酸（cholyglycine，CG）、胱抑素C（cystatin C，CYSC）、前白蛋白（prealbumin，PAB）、腺苷脫氨酶（adenosine deaminase，ADA）等；采用強(qiáng)生5600 系統(tǒng)檢測(cè)肌鈣蛋白、肌紅蛋白（myoglobin，Mb）和肌酸激酶。使用Symex CS5100 進(jìn)行D-二聚體、纖維蛋白原、凝血酶原時(shí)間等8 項(xiàng)凝血分析。B 型利鈉肽（B-type natriuretic peptide，BNP）、甲胎蛋白（alpha-fetoprotein，AFP）、癌胚抗原、癌胚抗原19-9（carcinoembryonic antigen 19-9，CA19-9）、癌胚抗原72-4（carcinoembryonic antigen 72-4，CA72-4）等8 項(xiàng)免疫及腫瘤標(biāo)志物應(yīng)用雅培I2000SR 檢測(cè)。采用KU-F10 檢測(cè)糞便隱血試驗(yàn)。

1.4 機(jī)器學(xué)習(xí)模型構(gòu)建與評(píng)價(jià) 胃癌LNM 預(yù)測(cè)模型構(gòu)建與評(píng)估研究共劃分3 個(gè)步驟：（1）數(shù)據(jù)采集與清洗：對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理［8］，包括缺失值填充、數(shù)據(jù)歸一化和數(shù)據(jù)集切分等。數(shù)值型數(shù)據(jù)如CA72-4、CA19-9 等取均值填充，類別型數(shù)據(jù)如性別、OBT 等取眾數(shù)填充；使用Z-score 方法對(duì)數(shù)據(jù)歸一化，并將清洗后的741 名受試對(duì)象數(shù)據(jù)按3∶1的比例切分訓(xùn)練集和測(cè)試集。（2）篩選重要指標(biāo)數(shù)：基于原始66 個(gè)常規(guī)檢驗(yàn)指標(biāo)數(shù)據(jù)，利用XGBoost 算法構(gòu)建訓(xùn)練模型，訓(xùn)練輸出指標(biāo)的重要性并按照重要程度從高到低進(jìn)行排序［9］。依次選取重要性排名前1 位、前2 位、…、前66 位指標(biāo)數(shù)據(jù)，輪流構(gòu)建XGBoost 模型并進(jìn)行對(duì)比分析，采用曲線下面積（area under the curve，AUC）、準(zhǔn)確率（accuracy，ACC）［10］和F1（F1 score，F(xiàn)1 值）三種綜合性指標(biāo)作為評(píng)估準(zhǔn)則，表現(xiàn)最優(yōu)的模型選取的指標(biāo)集合即重要指標(biāo)集合。（3）篩選最優(yōu)模型：為進(jìn)一步確定適用于本研究的機(jī)器學(xué)習(xí)算法［11］，構(gòu)建并訓(xùn)練3 種單一模型算法K 近鄰（K-Nearest Neighbor，KNN）、支持向量機(jī)（support vector machine，SVM）、多層感知器（multilayer perceptron，MLP）和2 種集成模型算法隨機(jī)森林（random forest，RF）、自適應(yīng)提升（adaptive boosting，Adaboost）算法進(jìn)行對(duì)比分析。

1.5 統(tǒng)計(jì)學(xué)方法 機(jī)器學(xué)習(xí)算法評(píng)估指標(biāo)選取F1 值、ACC、敏感度、特異度、AUC、陽(yáng)性預(yù)測(cè)值（positive predictive value，PPV）、陰性預(yù)測(cè)值（negative predictive value，NPV）［12］；采用χ2檢驗(yàn)進(jìn)行統(tǒng)計(jì)分析，以P＜ 0.05 認(rèn)為差異有統(tǒng)計(jì)學(xué)意義；計(jì)算皮爾遜相關(guān)系數(shù)，評(píng)估指標(biāo)之間是否線性相關(guān)。

本研究基于Python3.7.2 及數(shù)據(jù)分析庫(kù)進(jìn)行實(shí)驗(yàn)分析，其中Numpy 1.19.5 和Pandas 1.1.5 用于數(shù)據(jù)預(yù)處理，Scikit-learn 0.23.2 用于機(jī)器學(xué)習(xí)算法構(gòu)建，Matplotlib 3.3.2 用于數(shù)據(jù)可視化分析。上述軟件均遵循開源軟件許可協(xié)議，允許用戶自由使用、修改和分發(fā)。算法訓(xùn)練和評(píng)估過(guò)程中各個(gè)模型的訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)保持一致，由于數(shù)據(jù)規(guī)模限制采用5 折交叉驗(yàn)證方法［13］，模型參數(shù)調(diào)優(yōu)采用網(wǎng)格搜索策略進(jìn)行迭代優(yōu)化［14］。

2 結(jié)果

2.1 胃癌LNM 特征變量篩選 為了從66 個(gè)指標(biāo)中確定最優(yōu)的指標(biāo)集合，使用Xgboost 算法計(jì)算檢驗(yàn)指標(biāo)的重要性并進(jìn)行排序，如圖1 所示。結(jié)果顯示AFP、BNP、CA72-4 等指標(biāo)對(duì)胃癌LNM 預(yù)測(cè)影響顯著。

圖1 基于Xgboost 算法的指標(biāo)重要性排序Fig.1 Feature importance ranking based on Xgboost algorithm

在上述指標(biāo)重要性排序的基礎(chǔ)上，以AUC、ACC 和F1 值作為評(píng)價(jià)標(biāo)準(zhǔn)，基于重要性TOP-K 指標(biāo)的構(gòu)建預(yù)測(cè)模型并對(duì)比分析。模型精度曲線呈逐漸上升至穩(wěn)定波動(dòng)的趨勢(shì)，如圖2 所示，當(dāng)特征數(shù)為前9 個(gè)時(shí)，模型達(dá)到最優(yōu)最穩(wěn)定的性能，其AUC、ACC 和F1 值結(jié)果為0.916、0.930 和0.948。最優(yōu)指標(biāo)集包括：AFP、BNP、CA72-4、CA19-9、β2-MG、CG、MB、CYSC 和PAB，稱為V9，主要分為4 類，腫瘤標(biāo)志物指標(biāo)3 項(xiàng)（AFP、CA72-4、CA19-9）；生化標(biāo)志物4 項(xiàng)（β2-MG、CG、CYSC、PAB）；心肌標(biāo)志物比指標(biāo)1 項(xiàng)（Mb）；心力衰竭標(biāo)志物1 項(xiàng)（BNP）。

圖2 重要性TOP-K 指標(biāo)預(yù)測(cè)模型對(duì)比Fig.2 Comparison of important TOP-K feature prediction models

2.2 機(jī)器學(xué)習(xí)模型預(yù)測(cè)胃癌LNM 效能對(duì)比 本研究使用3 種單一模型KNN、SVM、MLP 和2 種集成模型Adaboost、RF 進(jìn)行訓(xùn)練和驗(yàn)證，并將AUC值作為胃癌LNM 預(yù)測(cè)效果的首選評(píng)估指標(biāo)［16］。在單一模型中，KNN 在訓(xùn)練集中表現(xiàn)最優(yōu)，AUC 值能達(dá)到0.879，如圖3A、表2 所示；在測(cè)試集中，KNN 綜合表現(xiàn)最優(yōu)，AUC、F1、ACC、敏感度、特異度、PPV、NPV 值分別0.813、0.823、0.763、0.690、0.797、0.606、0.850，如圖3B、表2 所示。

圖3 5 種機(jī)器學(xué)習(xí)模型訓(xùn)練集評(píng)估結(jié)果及測(cè)試集評(píng)估結(jié)果Fig.3 Evaluation results of five machine learning model training sets and test sets

表2 5 種機(jī)器學(xué)習(xí)模型的訓(xùn)練集與測(cè)試集的評(píng)估指標(biāo)比較Tab.2 Comparison of evaluation features between the training and test sets of five machine learning models

在集成模型中，Adaboost 和RF 的訓(xùn)練集結(jié)果表現(xiàn)均好，AUC 值均能達(dá)0.990 以上，說(shuō)明模型訓(xùn)練非常充分，如圖3A、表2 所示。在測(cè)試集中，Adaboost、RF的結(jié)果分別為0.968和0.960，如圖4B、表2所示。其中，Adaboost 綜合表現(xiàn)最好，F(xiàn)1、ACC、敏感度、特異度、PPV、NPV 值分別為0.926、0.903、0.887、0.911、0.833、0.942，如圖3B、表2 所示。結(jié)果顯示集成模型對(duì)胃癌LNM 預(yù)測(cè)效果顯著，其中基于Boosting 策略的Adaboost 表現(xiàn)出最優(yōu)的預(yù)測(cè)和泛化能力。

2.3 Adaboost 模型預(yù)測(cè)胃癌LNM 驗(yàn)證 本研究基于驗(yàn)證集中胃癌患者術(shù)前9 項(xiàng)常規(guī)檢驗(yàn)數(shù)據(jù)，對(duì)Adaboost 模型的穩(wěn)定性和預(yù)測(cè)能力進(jìn)行驗(yàn)證，包括72 例LNM 患者和30 例non-LNM 患者。經(jīng)過(guò)Adaboost 模型的預(yù)測(cè)和評(píng)估后，結(jié)果得到96 例患者預(yù)測(cè)正確，其預(yù)測(cè)準(zhǔn)確率達(dá)94.12%，對(duì)臨床預(yù)測(cè)胃癌LNM 有良好的輔助判別作用，見表3。

表3 Adaboost 算法與病理金標(biāo)準(zhǔn)對(duì)比分析Tab.3 Comparative analysis of Adaboost algorithm and pathological gold standard 例

3 討論

當(dāng)前胃癌LNM 的診斷主要依賴于侵入性的組織病理學(xué)檢查，本研究探討了常規(guī)檢驗(yàn)指標(biāo)應(yīng)用于機(jī)器學(xué)習(xí)模型預(yù)測(cè)胃癌LNM 的可行性。主要技術(shù)途徑包含胃癌LNM 重要檢驗(yàn)指標(biāo)篩選與多種機(jī)器學(xué)習(xí)預(yù)測(cè)算法的對(duì)比擇優(yōu)，通過(guò)模型構(gòu)建、訓(xùn)練與評(píng)估任務(wù)，對(duì)比篩選出胃癌LNM 最優(yōu)預(yù)測(cè)模型。

本研究通過(guò)基于XGBoost 的指標(biāo)重要性排序和重要指標(biāo)篩選，從66 個(gè)實(shí)驗(yàn)室指標(biāo)中選出V9。其中，AFP 已被公認(rèn)為用于診斷和預(yù)測(cè)癌癥預(yù)后的腫瘤標(biāo)志物。羅東明等［17］利用酶聯(lián)免疫吸附試驗(yàn)對(duì)94 例早期老年胃癌患者血清中的AFP 水平進(jìn)行檢測(cè)，并發(fā)現(xiàn)其是早期預(yù)測(cè)胃癌LNM 獨(dú)立預(yù)測(cè)因素。胃癌患者在接受化療時(shí)，通常已出現(xiàn)胃癌LNM 的情況。李焱芳等［18］研究人員選取84 例胃癌患者，比較不同的化療方案對(duì)患者心肌造成損害，導(dǎo)致BNP 升高。HUANG 等［19］研究表明腫瘤大小、CA19-9 等構(gòu)建的模型可有效預(yù)測(cè)術(shù)前胃癌中LNM 的發(fā)生率。GAO 等［20］使用LASSO 方法，納入影像組學(xué)特征、血清CA72-4 等構(gòu)建預(yù)測(cè)模型，能準(zhǔn)確預(yù)測(cè)LNM。顧玉花［21］對(duì)112 例胃癌患者化療前后的血清CysC、β2-MG 檢測(cè)結(jié)果進(jìn)行比較，發(fā)現(xiàn)治療后的CysC、β2-MG 水平顯著高于治療前，提示這兩種指標(biāo)可能是其腎臟早期損害的最佳標(biāo)志物。胃癌LNM 可能會(huì)導(dǎo)致機(jī)體免疫系統(tǒng)失調(diào)、營(yíng)養(yǎng)不良和代謝紊亂等狀況，這些因素可能會(huì)引起肌肉損傷和心肌損傷，從而使Mb 的水平升高。PAB 由肝細(xì)胞合成，可反映肝功能障礙，導(dǎo)致抗癌藥物代謝異常［22］，可用來(lái)預(yù)測(cè)癌癥受試者的臨床預(yù)后是否較差。

在機(jī)器學(xué)習(xí)模型的選擇上，本研究選取3 種單一模型：KNN、SVM 和MLP，以及兩種集成模型：RF 和Adaboost 開展模型對(duì)比試驗(yàn)。不同類型的算法實(shí)現(xiàn)機(jī)理各異，具有各自特性和優(yōu)缺點(diǎn)。其中，KNN 是一種基于實(shí)例的學(xué)習(xí)，簡(jiǎn)單易懂分類效果好，但計(jì)算復(fù)雜性和存儲(chǔ)復(fù)雜性都較高。SVM等［23］基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，可解決高維問(wèn)題，但對(duì)缺失數(shù)據(jù)敏感。MLP 能學(xué)習(xí)并模擬復(fù)雜的非線性系統(tǒng)，但網(wǎng)絡(luò)結(jié)構(gòu)選擇會(huì)影響模型的性能。RF是一種基于Bagging 策略的集成學(xué)習(xí)算法，擅長(zhǎng)處理非線性問(wèn)題，但在某些噪聲較大的分類或回歸問(wèn)題上會(huì)過(guò)擬合。Adaboost［24］是一種基于Boosting策略的集成學(xué)習(xí)算法，具高精度，且不易發(fā)生過(guò)擬合，但對(duì)噪聲和異常值敏感。YANG 等［25］通過(guò)基于12 種不同的機(jī)器學(xué)習(xí)算法的影像組學(xué)模型預(yù)測(cè)顱內(nèi)動(dòng)脈瘤破裂，包括KNN、SVM、Adaboost、RF等模型，得到集成模型結(jié)果整體優(yōu)于單一模型。TANG 等［26］使用乳腺癌組織樣本，比較AdaBoost 和RF 在各種非均勻數(shù)據(jù)集上的性能，得到AdaBoost模型更加穩(wěn)健，尤其是對(duì)于較大不平衡的數(shù)據(jù)集。本研究通過(guò)訓(xùn)練集和測(cè)試集發(fā)現(xiàn)，得到集成學(xué)習(xí)算法表現(xiàn)優(yōu)于單一模型，基于Boosting策略的Adaboost算法表現(xiàn)最優(yōu)。另外選取了102 份獨(dú)立的患者數(shù)據(jù)進(jìn)行驗(yàn)證，發(fā)現(xiàn)該算法預(yù)測(cè)準(zhǔn)確率可達(dá)94.12%，進(jìn)一步驗(yàn)證了本研究的結(jié)果。

綜上所述，本研究開發(fā)并驗(yàn)證了一個(gè)基于V9指標(biāo)的胃癌LNM 預(yù)測(cè)模型，該模型具有無(wú)創(chuàng)性、檢測(cè)成本低等特點(diǎn)，滿足對(duì)胃癌LNM 的高效精準(zhǔn)預(yù)測(cè)，具備輔助臨床診斷價(jià)值。由于數(shù)據(jù)可獲取性和指標(biāo)值缺失的問(wèn)題，部分指標(biāo)未被納入本研究，后續(xù)將進(jìn)一步擴(kuò)充指標(biāo)和數(shù)據(jù)規(guī)模，支持預(yù)測(cè)模型的迭代訓(xùn)練和模型更新從而提升泛化能力。

【Author contributions】YAN Jianliang drafted the paper，collected data，and wrote the paper according to the research ideas.XIE Zeyu provided the paper and experimental guidance.JING Rongrong conducted a critical review and experimental guidance for the knowledge content of the article，and improved the research ideas.CUI Ming clarified the research idea，provided financial support，and provided guidance for the paper.All authors read and approved the final manuscript as submitted.

【Conflict of interest】The authors declare no conflict of interest.