使用外周血生物标志物的可解释机器学习模型用于声门喉鳞状细胞癌的诊断与预后

为何一项简单的血液检测可能有助于保护你的嗓音

声门喉癌影响声带，既可能威胁发声功能也可能危及生命，但在手术前常常难以与无害的嗓音问题区分开来。本研究探讨了是否可以将许多人在手术或体检前常做的常规血液检测，与现代计算算法结合，以便更早发现危险肿瘤并评估患者治疗后的预后——全部在无需额外影像或侵入性操作的情况下进行。

在日常血检中寻找癌症线索

研究者聚焦于声带出现问题的男性，比较了三组人群：124名声带鳞癌患者、124名非癌性声带病变患者和124名健康志愿者。对所有人收集了反映炎症（如白细胞计数）、凝血倾向（如纤维蛋白原和凝血时间）以及营养状态（如白蛋白这一重要血蛋白）的术前常规血液指标。由于这些检测已是医院常规护理的一部分，任何发现都易于广泛、低成本地应用。

教会机器区分有害与无害

为了把这片数字海洋变成实用的指导，团队使用了两种流行的机器学习方法，称为随机森林（Random Forest）和XGBoost。这些程序从数据中学习模式，就像垃圾邮件过滤器学会区分垃圾邮件与有效邮件一样。这里的目标是仅用血液检测结果来区分癌性与良性声带问题。在对大部分患者进行训练和交叉验证后，模型在独立人群上进行了测试。尤其是XGBoost模型表现优异，在大多数情况下能够正确区分癌症与非癌症，其准确性指标（AUC）为0.93——对于仅基于常规实验室检查的无创检测而言，这是很高的水平。

让“黑盒”对医生可解释

计算模型常被批评为黑盒，但本研究使用了一种称为SHAP的方法来展示哪些血液标志物在驱动预测。最重要的信号来自与凝血和免疫活动相关的指标：国际标准化比值（INR）、纤维蛋白原、凝血酶时间，以及比较不同类型白细胞的比值（中性粒细胞-单核细胞比值和淋巴细胞-单核细胞比值）。总体上，癌症患者倾向于表现出更多炎症迹象和易形成血栓的体质，以及免疫细胞比例的改变。研究者甚至基于最重要的标志物构建了一个简单的可视评分工具，便于临床医生在床边估计个体患者的癌症风险。

随肿瘤侵袭性变化的血液信号

除了诊断，研究还探讨了血液标志物是否反映肿瘤的危险程度。通过将血液结果与外科病理报告中的细节关联，团队发现某些联合指标——尤其是系统性免疫炎症指数（SII）和若干细胞计数比值——随着肿瘤体积增大、淋巴结转移和总体分期升高而上升。其中一项指标，中性粒细胞-血小板比值，与癌细胞沿神经浸润这一令人担忧的特征强相关，该特征与复发风险相关。在中位随访约四年半期间，中性粒细胞计数较高、中性粒细胞-淋巴细胞比值较高及SII较高的患者预后更差，复发和死亡更多。

这对患者和临床医生意味着什么

简单来说，这项研究表明，经过周到分析的患者血液“快照”可以揭示超出常规化验报告的信息。通过将熟悉的检测与可解释的机器学习工具结合，医生可能很快能更好地判断哪些嘶哑患者需要紧急活检、哪些癌症更可能侵袭性强、以及谁可能需要更密切的随访或额外治疗。尽管该研究为回顾性且仅限于来自单一地区的男性——意味着需要在更广泛人群中加以验证——但它勾勒出一条实用且低成本的路径，朝着为声带怀疑或确诊癌症的患者提供更个体化、以数据为依据的护理方向发展。

引用: Zhang, Y., Yan, X., Li, X. et al. Interpretable machine learning models using peripheral blood biomarkers for diagnosis and prognosis of glottic laryngeal squamous cell carcinoma. Sci Rep 16, 10451 (2026). https://doi.org/10.1038/s41598-026-40074-9

关键词: 喉癌, 血液生物标志物, 机器学习, 癌症预后, 免疫炎症