机器学习预测的胰岛素抵抗是12种癌症的危险因素

这项研究与日常健康的关系

大多数人都听说过超重和2型糖尿病会增加患癌症的几率，但将它们联系起来的隐性因素——身体对胰岛素的反应状况——在常规体检中很少被测量。该研究表明，一个由常规血液检测和基本健康资料构建的“胰岛素抵抗”计算机得分，不仅能提示糖尿病和心血管问题的高风险人群，也能识别出某些主要癌症的高危人群。这表明医生已收集的信息可以用更智能的方式组合，以便更早识别高风险个体并指导更有针对性的筛查。

胰岛素抵抗的数字指纹

胰岛素是一种帮助血糖进入肌肉、肝脏和脂肪等器官的激素。当这些组织对胰岛素反应减弱（称为胰岛素抵抗）时，机体会通过产生更多胰岛素来补偿，长期下来可导致2型糖尿病和心脏病。测定胰岛素抵抗的金标准检测复杂、耗时且不适合大规模人群，哪怕是较简单的研究用指标也通常需要空腹胰岛素水平，而日常临床中并不常测。为克服这一障碍，研究团队此前训练了一个机器学习模型，仅基于九项常规指标预测个体是否存在胰岛素抵抗：年龄、性别、种族、体重指数（BMI）、空腹血糖、长期血糖（HbA1c）、甘油三酯、总胆固醇以及“好”胆固醇HDL。由此得到的评分被称为人工智能推导的胰岛素抵抗，或AI‑IR。

在数十万人的数据中验证该评分

在这项新研究中，团队将AI‑IR应用于超过37万名来自英国生物样本库的参与者数据，该库是一项对40至69岁成年人长期随访的健康研究。首先，他们检验了该评分能否预测谁会在随访期内发展为糖尿病、心脏疾病或死亡。在无糖尿病的人群中，AI‑IR为阳性者发生糖尿病的风险约为AI‑IR阴性者的七倍，即使在调整年龄和性别后仍然显著。AI‑IR阳性者也更可能因糖尿病住院、发生重大的心血管事件，并更可能死于心血管疾病或任何原因。与BMI、代谢综合征以及两项基于血脂的指标直接比较时，AI‑IR在预测未来糖尿病方面表现最为准确。

将胰岛素抵抗与癌症关联起来

随后研究者将注意力转向癌症。在研究开始时没有癌症病史的参与者中，他们利用关联的国家医疗服务体系记录追踪随访期间不同类型肿瘤的发生情况。总体来看，AI‑IR对全部癌症的总体风险没有改变。然而，当按发生部位分解时，出现了更清晰的模式。在无糖尿病但AI‑IR阳性的人群中，子宫、肾、食道、胰腺、结肠和乳腺癌的风险增加明显。他们在肾盂、小肠、胃、肝和胆囊、白血病以及支气管与肺癌方面也显示出提示性升高，与此同时皮肤癌的发生率较低。当将这些风险升高的癌种归为一个“复合”结局时，AI‑IR阳性个体相比同龄同性AI‑IR阴性者的总体风险约高出25%，这一差异在调整BMI后虽有所减弱但仍然存在。

与体重相关与体重无关的效应

由于体重对胰岛素抵抗有强烈影响，研究团队探讨了AI‑IR是否仅仅在替代肥胖指标。他们发现，某些癌症风险的上升——例如胃、肝与胆囊、胰腺、结肠、白血病和乳腺癌——在很大程度上与BMI的影响重叠。但另一些则似乎反映了胰岛素抵抗本身更为特异的作用。值得注意的是，调整BMI后AI‑IR与肺及支气管癌的关联反而更强，并在控制吸烟状况后仍具有显著性。曾经吸烟且AI‑IR阳性者在肺相关癌症及更广泛的胰岛素抵抗相关癌症组中的风险尤其高。总体而言，AI‑IR在癌症风险分层方面优于BMI和另一个血脂指标，其表现与代谢综合征及甘油三酯/HDL比值相当，同时在预测糖尿病方面仍然是最好的工具。

这对患者和医生意味着什么

研究表明，一个由大多数诊所已收集信息计算出的胰岛素抵抗“数字生物标志物”，可以突出显示糖尿病和一组癌症的高风险人群。尽管AI‑IR尚不能单独作为筛查测试，但它能够帮助临床医生决定谁可能受益于更频繁的血糖检测、更积极的生活方式或药物干预，以及更早或更有针对性的癌症筛查，尤其是对子宫、肾、结肠、肺、乳腺和胰腺等器官。该研究还强调了胰岛素抵抗作为一种生物学通路，将超重、异常血脂和慢性炎症与癌症联系起来，鼓励未来研究探讨通过饮食、运动或药物改善胰岛素敏感性是否既能降低癌症风险又能预防糖尿病。

引用: Lee, CL., Yamada, T., Liu, WJ. et al. Machine learning-predicted insulin resistance is a risk factor for 12 types of cancer. Nat Commun 17, 1396 (2026). https://doi.org/10.1038/s41467-026-68355-x

关键词: 胰岛素抵抗, 机器学习, 糖尿病风险, 癌症风险, 英国生物样本库