中国滤泡淋巴瘤工作组基于机器学习建立预测滤泡淋巴瘤POD24的模型
滤泡性淋巴瘤（FL）患者24个月内疾病进展（POD24）显著影响总生存期（OS），因此准确识别有POD24风险的患者是制定治疗决策以改善其预后的先决条件，因为这些患者可能受益于更强化和有效的治疗。然而如何区分POD24高风险的FL患者仍存在重大挑战，特别是对于低肿瘤负荷患者（如FL1-3a），FLIPI、PRIMA-PI、POD24-PI、m7-FLIPI等现有预测POD24的模型均存在一定局限性。
中国滤泡淋巴瘤工作组开展研究，开发了一个强大的预测模型FLIPI-C，使用机器学习方法来识别有高风险POD24的FL患者，并将模型稳定性和可靠性与现有模型进行对比。研究结果近日发表于《Biomarker Research》（IF=9.5）。
该研究纳入全国17家中心的1938例FL患者（FL1-3a），随机分为训练组和内部验证组（2:1），POD24率分别为19.7%和14.8%；此外两队列之间存在相当大的差异，可能有助于推广该POD24预测模型（FLIPI-C）的研究结果。
POD24的预测因子：作者首先比较了不同的二分类器算法（包括DecisionTree、RandomForest、RidgeClassifier和XGBoost）预测POD24的能力，发现XGBoost的性能和准确性都最好，然后利用XGBoost构建POD24预测模型。POD24的主要预测因子包括 淋巴细胞/单核细胞比率（LMR）>10、乳酸脱氢酶(LDH) >ULN、血红蛋白（Hb）<12g/dl、β-2微球蛋白（β2-MG）升高、最大标准化摄取值（SUVmax）>10和淋巴结受累>4。FLIPI-C模型为LMR分配2分，为其他变量分配1分，总计7分。
内外部验证：以3分为cut-off值，FLIPI-C模型将患者分为 低危（0-3）和高危（4-7），内部验证队列的2年无进展生存率（PFS）分别为85.7%和42.4%（P<0.0001），5年总生存率（OS）分别为95.8%和78.9%（P<0.0001）；在外部GALLIUM队列（n=1115）也获得类似结果；此外FLIPI-C低危和高危患者2年PFS的差异大于FLEX。
优于现有模型：与现有模型（FLIPI、FLIPI-2、PRIMA-PI、FLEX）相比，FLIPI-C模型在预测POD24和3年OS方面都显示出更高的准确性（AUC），包括内部（AUC；POD24: 0.764, OS: 0.700）和外部验证队列（AUC；POD24: 0.703, OS: 0.653）。
净收益：临床决策曲线分析也证实FLIPI-C的优越净效益，进一步支持其在预测FL患者预后方面具有稳定性和可靠性优势。
作者还评估了不同一线治疗对FLIPI ‑C风险分层的影响。在由FLIPI-C定义的低危患者中，G-化疗较R-化疗与更好的PFS相关，但在高危患者中无显著差异。在由FLIPI-C定义的低危患者中，B（苯达莫司汀）+R/G的PFS优于CHOP/CVP+R/G，而在高危患者中无显著差异。此外，以苯达莫司汀为基础的免疫化疗似乎对低危患者的OS有不良影响。
作者使用机器学习方法开发FLIPI-C模型，可提供卓越的预测准确性，并利用简单、广泛可用的标志物，有望在临床实践中为高危FL患者提供治疗决策和预后评估。在诊断时早期识别高危POD24 FL患者对于预防POD24至关重要，这也是FL治疗的最终目标，可给予个体化风险适应性一线治疗。FLIPI-C模型值得在前瞻性研究中进一步验证。
参考文献
Zha, J., Chen, Q., Zhang, W. et al. A machine learning-based model to predict POD24 in follicular lymphoma: a study by the Chinese workshop on follicular lymphoma. Biomark Res 13, 2 (2025). https://doi.org/10.1186/s40364-024-00716-4
链接：http://www.lewenyixue.com/2025/01/07/%E4%B8%AD%E5%9B%BD%E6%BB%A4%E6%B3%A1%E6%B7%8B%E5%B7%B4%E7%98%A4%E5%B7%A5%E4%BD%9C%E7%BB%84%E5%9F%BA%E4%BA%8E%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E5%BB%BA%E7%AB%8B%E9%A2%84%E6%B5%8B/
