1. 领域背景与文献
文献英文标题：A machine learning model for predicting the lymph node metastasis of early gastric cancer not meeting the endoscopic curability criteria；
发表期刊：Gastric Cancer；影响因子：未公开；研究领域：肿瘤学-胃癌精准诊疗
早期胃癌是指局限于黏膜或黏膜下层的腺癌，无论是否存在淋巴结转移（LNM），内镜黏膜下剥离术（ESD）是东亚地区早期胃癌的标准治疗方式，该术式可整块切除肿瘤并进行详细组织病理学评估，以判断治疗的治愈性。日本胃癌治疗指南将非治愈性内镜切除分为内镜治愈性C-1和C-2，其中C-2病例存在淋巴结转移风险，指南推荐追加淋巴结清扫手术，但近期一项荟萃分析显示，内镜治愈性C-2患者的淋巴结转移率仅为8.0%，对所有该类患者实施追加手术会导致过度治疗，因此亟需精准的淋巴结转移风险预测方法，以减少不必要的手术干预。机器学习作为人工智能的分支，已在医学多个领域用于构建精准预测模型，相比传统统计方法能更高效挖掘数据中的复杂关联，本研究正是针对这一临床需求，开发并验证了针对内镜治愈性C-2早期胃癌患者的淋巴结转移预测机器学习模型，并与临床常用的eCura系统进行性能对比。
2. 文献综述解析
作者对领域内现有研究的分类维度主要为研究对象范围（包含治愈性病例vs仅非治愈性C-2病例）和模型构建方法（传统统计模型vs机器学习模型）。
现有针对早期胃癌淋巴结转移的预测模型中，传统统计模型以eCura系统为代表，是日本指南推荐的风险评分工具，基于临床病理特征构建，但其采用传统统计方法，对低风险患者的识别能力不足，导致部分患者接受不必要的追加手术；已有的机器学习模型多纳入包含无淋巴结转移风险的治愈性病例，模型针对非治愈性C-2患者的特异性不足，无法直接适配临床中仅针对C-2患者进行风险分层的需求。这些研究的局限性在于未聚焦临床真正需要风险评估的C-2人群，或模型性能未与当前临床标准工具进行直接对比，缺乏临床转化的针对性证据。
本研究的核心创新点在于仅纳入内镜治愈性C-2的早期胃癌患者，构建的机器学习模型更贴合临床实际应用场景，同时直接与当前临床常用的eCura系统进行性能对比，验证了模型在精准识别低风险患者、减少过度治疗方面的优势，填补了针对C-2人群的高精准淋巴结转移预测模型的研究空白，为临床决策提供更可靠的工具。
3. 研究思路总结与详细解析
本研究的整体研究目标是构建针对内镜治愈性C-2早期胃癌患者的淋巴结转移风险预测机器学习模型，并验证其性能优于现有临床常用的eCura系统；核心科学问题是如何利用机器学习技术提升非治愈性内镜切除后早期胃癌患者淋巴结转移风险预测的精准度，以减少过度治疗；技术路线遵循“多中心病例收集→队列划分与数据预处理→神经网络模型构建与优化→模型性能评估与对比→在线工具开发”的闭环逻辑。
3.1 研究队列构建与病例筛选
实验目的是获取符合纳入标准的内镜治愈性C-2早期胃癌患者数据集，为模型训练和验证提供可靠的临床数据基础。方法细节为开展多中心回顾性研究，纳入21家机构2010年至2021年间接受手术、内镜黏膜下剥离术联合手术或单纯内镜黏膜下剥离术的早期胃癌患者，经组织病理学确诊为内镜治愈性C-2，排除特殊病理类型、食管胃结合部癌、同步进展期癌等病例，其中单纯内镜黏膜下剥离术组需满足随访时间≥3年（因已知原因死亡的患者除外），最终划分训练队列和验证队列，验证队列仅包含接受内镜黏膜下剥离术的患者，以确保与eCura系统的可比性。结果解读显示，最终共纳入4042例患者，其中训练队列3506例，淋巴结转移率为14%（n=3506），验证队列536例，淋巴结转移率为7%（n=536），单纯内镜黏膜下剥离术组的中位随访时间训练队列为57个月，验证队列为55个月，队列基线特征均衡，为模型构建提供了可靠的数据支撑。产品关联：文献未提及具体实验产品，领域常规使用苏木精-伊红染色试剂盒、免疫组化试剂、医学数据管理软件等。
3.2 机器学习模型构建与参数优化
实验目的是构建并优化基于神经网络的淋巴结转移风险预测模型，挖掘临床病理特征与淋巴结转移的关联。方法细节为使用Python的Scikit-learn机器学习库构建包含两个隐藏层的神经网络模型，训练数据采用四折交叉验证进行参数调优，使用Adam优化器进行模型优化，最终确定第一个隐藏层为6个节点，第二个隐藏层为18个节点，最终推理模型为四折交叉验证得到的4个模型的集成平均模型。结果解读显示，通过参数调优，最终纳入7个输入特征，包括病灶大小、优势病理类型（tub2或其他）、是否存在混合病理类型、浸润深度、淋巴管侵犯、血管侵犯、治疗方式，经排列特征重要性分析，淋巴管侵犯是预测淋巴结转移的最重要因子（n=3506）。产品关联：实验所用关键产品：Python的Scikit-learn机器学习库。
3.3 模型性能评估与对比
实验目的是验证机器学习模型的预测性能，并与临床常用的eCura系统进行直接对比，明确模型的临床优势。方法细节为在验证队列中，采用受试者工作特征（ROC）曲线下面积（AUC）评估模型的预测准确性，使用DeLong检验对比机器学习模型与eCura系统的AUC差异，同时分析在100%灵敏度 cutoff值下的特异性，以评估模型在避免漏诊淋巴结转移的同时减少过度治疗的能力。结果解读显示，机器学习模型在验证队列中的AUC为0.83（95%置信区间0.76-0.89，n=536），eCura系统的AUC为0.77（95%置信区间0.70-0.85，n=536），两者差异具有统计学意义（P=0.006）；在100%灵敏度的cutoff值下，机器学习模型的特异性为24%（95%置信区间20%-28%，n=536），而eCura系统的特异性为0%（95%置信区间0.0%-1.1%，n=536），这意味着机器学习模型可在不遗漏任何淋巴结转移病例的前提下，减少24%的不必要追加手术。
3.4 在线应用工具开发
实验目的是将机器学习模型转化为临床便捷使用的工具，促进模型的临床推广与应用。方法细节为基于构建的机器学习模型开发免费的在线网页应用，供临床医生访问使用。结果解读显示，该在线应用的访问地址为https://www.med.osaka-u.ac.jp/pub/gh/egc-lnm-prediction.html，可直接输入患者的临床病理特征，快速获取淋巴结转移风险预测结果，为临床决策提供即时支持。产品关联：文献未提及具体开发工具，领域常规使用网页开发框架（如HTML、CSS、JavaScript）等。
4. Biomarker研究及发现成果
本研究涉及的Biomarker为一组临床病理特征组合，包括病灶大小、优势病理类型（tub2或其他）、混合病理类型、浸润深度、淋巴管侵犯、血管侵犯、治疗方式，其筛选与验证逻辑为基于多中心内镜治愈性C-2早期胃癌患者的临床数据，通过机器学习模型的特征选择与重要性分析确定关键预测因子，并在独立验证队列中验证其预测性能。
该Biomarker的来源为21家机构的4042例内镜治愈性C-2早期胃癌患者的临床病理数据，验证方法为构建神经网络机器学习模型，通过四折交叉验证优化模型后，在独立验证队列中进行性能评估，其特异性与敏感性数据为机器学习模型的ROC曲线AUC=0.83（95%置信区间0.76-0.89，n=536），在100%灵敏度下特异性为24%（n=536，P=0.006），相比eCura系统具有更优的预测性能。
该临床病理特征组合作为淋巴结转移风险的预测Biomarker，其功能关联在于可精准分层内镜治愈性C-2早期胃癌患者的淋巴结转移风险，其中淋巴管侵犯是最重要的风险因子；创新性在于首次针对仅内镜治愈性C-2患者构建机器学习预测模型，纳入了传统模型未关注的混合病理类型等特征，相比现有模型更贴合临床实际需求，可有效减少过度治疗，其风险分层的统计学结果显示，模型与eCura系统的AUC差异具有统计学意义（P=0.006），为临床决策提供了更可靠的工具。