一项国际多中心研究：开发与验证基于联邦学习的肛门癌预后模型

为什么这对罕见癌症患者很重要

随着癌症治疗越来越个体化，医生面临的一个问题越来越突出：许多癌症被细分为非常精细的亚型，每个群体都很小且分布在全球各地。这使得判断哪种治疗最有效变得困难，尤其是像肛门癌这样的罕见癌种。本研究展示了不同国家的医院如何在不共享原始患者数据的情况下安全合作，更好地预测患者预后并为更个性化的治疗提供依据。

在不共享数据的情况下汇聚多家医院

研究者组建了国际 atomCAT 联盟，连接了来自欧洲和澳大利亚的16个癌症中心。各医院并未将病历汇入单一中央数据库，而是将信息保留在本地。一种称为“联邦学习”的特殊方法使得模型能在所有站点同时训练：只交换匿名的数学汇总信息，从不传输个别记录。这在保护患者隐私的同时，仍然利用了大量肛门癌患者合并样本的统计力量。

研究对象与追踪的结局指标

团队分析了来自14个中心的1,428名接受现代放疗且通常合并化疗的肛门癌患者的数据，并在另外两家中心的277名患者中对结果进行外部验证。大多数患者年龄在60岁出头，约七成为女性。几乎所有患者都接受了先进形式的放疗，绝大多数也接受了以丝裂霉素或顺铂为基础的化疗。研究重点关注三个对患者和临床医生都重要的结局：总体生存（治疗后存活人数）、盆腔内肿瘤控制以及防止癌症远处转移。

哪些因素影响患者预后

通过联邦模型，研究者识别出一组持续影响结局的特征。肿瘤较小、分期较低且未累及近旁淋巴结的患者通常生存更久、疾病控制更好。女性总体生存率和盆腔控制优于男性，年轻患者优于年长患者。与单纯放疗相比，联合两种药物（丝裂霉素或顺铂与氟尿嘧啶或卡培他滨）的化疗与更好的总体生存相关。原发肿瘤体积在三项结局中均表现为特别重要的预测因子，强调了常规临床中良好影像学评估和详细肿瘤测量的价值。

这种隐私保护模型的表现如何？

这些预后模型表现出中等但临床上有用的风险分层能力。当按预测风险将患者分组时，实际结果差异显著：例如治疗三年后，低风险组的总体生存率约为90%，而高风险组约为73%。在逐一排除各中心进行训练（leave-one-center-out）以及在两家外部医院验证时，模型表现相似，这表明该方法并未针对某一单独机构过拟合。当团队仅用单中心数据建立模型时，预测准确性下降，凸显了即使数据无法合并，汇集多家医院经验的价值。

这对未来癌症护理意味着什么

对于肛门癌及其他罕见或高度细分的癌症患者而言，这项工作证明可以在不泄露隐私的前提下，从大规模国际患者群中学习。研究表明，联邦学习能够可靠地再现并确认已知的风险因素，帮助识别更易复发或发生远处转移的患者，并且这些结论可以基于日常护理中收集的数据得出。从长远看，此类模型可帮助医生与个体患者更准确地讨论预后、上下调整治疗强度，并设计更智能的临床试验以聚焦最需要的人群——同时将敏感健康数据安全地保存在各自医院内部。

引用: Theophanous, S., Lønne, PI., Choudhury, A. et al. An international multi-centre study to develop and validate federated learning-based prognostic models for anal cancer. Nat Commun 17, 3956 (2026). https://doi.org/10.1038/s41467-026-70297-3

关键词: 肛门癌, 联邦学习, 预后模型, 真实世界数据, 精准肿瘤学