德国亚琛工业大学与德累斯顿工业大学的研究人员开发出一种机器学习模型，能够利用常规临床数据高效预测肝细胞癌风险。该成果发表在《Cancer Discovery》期刊上。
研究团队由亚琛工业大学助理教授Carolin Schneider博士和德累斯顿工业大学临床人工智能教授Jakob Kather博士共同领导，第一作者为Jan Clusmann博士。他们指出，现有肝癌筛查指南主要针对肝硬化或严重肝病患者，但许多高危个体未被覆盖。Schneider表示：“筛查通常推荐给确诊为肝硬化或严重肝病的患者，因为许多HCC病例发生在这些患者中，但还有许多未确诊的肝硬化患者或其他风险因素的患者也可能从肝癌筛查中受益。”
研究人员基于英国生物银行超过50万个体的数据训练了机器学习模型，该模型采用随机森林架构，通过分析人口统计学信息、电子健康记录和血液检测等常规临床数据来评估肝癌风险。在验证中，模型表现优异，受试者工作特征曲线下面积达到0.88。Clusmann说：“由于影响风险的因素如此之多，迫切需要有效的工具来帮助临床医生识别高危患者。能够同时处理不同类型临床数据的机器学习工具，对于应对这一重大临床挑战可能特别有用。”
该机器学习模型在简化后仅需15个常规临床特征，性能仍优于现有风险评分系统。Schneider指出：“这表明我们可以使用简单、易于获取的数据来预测HCC风险，而无需复杂且昂贵的基因测序。”模型在外部验证中展示了良好的泛化能力，适用于不同人群。
研究团队表示，这一机器学习模型有潜力改善肝癌风险分层，帮助初级保健医生识别高危患者并进行早期筛查。但研究存在回顾性设计和病毒性肝炎患者比例较低等局限性，需进一步验证。
出版详情：作者：American Association for Cancer Research；标题：《A machine learning model may enable liver cancer risk prediction with routine clinical information》；发表于：《Cancer Discovery》(2026)。
