共计 823 个字符，预计需要花费 3 分钟才能阅读完成。
髓母细胞瘤作为最常见的恶性儿童脑肿瘤，其高转移风险和不良生存预后一直是临床治疗的重大挑战。中国研究团队开发的可解释机器学习模型，为这一领域带来了突破性进展。
该研究由首都医科大学和国家儿童健康中心的王伟博士和葛明博士领导，其成果已发表在《Pediatric Investigation》期刊上。研究团队采用 XGBoost 机器学习算法，结合临床特征、免疫细胞谱和细胞因子水平，构建了预测髓母细胞瘤转移和死亡率的创新模型。
王伟博士指出：” 该模型通过整合临床数据与免疫、细胞因子谱，不仅提高了预后准确性，还支持更明智的个性化临床决策。这种创新方法能够早期识别高风险患者，为临床医生提供制定个性化治疗策略的工具。”
研究显示，转移是髓母细胞瘤患者预后不良的最显著预测因素。机器学习模型成功识别出 CD8⁺ T 细胞、细胞毒性 T 淋巴细胞（CTLs）等关键免疫因素，以及 TGF-β1 水平的升高与转移的密切关联。SHAP（Shapley Additive Explanations）图的应用，进一步阐明了这些特征如何相互作用以影响患者生存和疾病进展。
与传统预测模型不同，该可解释机器学习方法使临床医生不仅能看到风险的 ” 什么 ”，还能理解 ” 为什么 ”。这种透明度促进了更明智的临床决策，为个体化治疗策略的制定提供了有力支持。
葛明博士强调：” 这项研究凸显了可解释机器学习在推进儿童肿瘤学中的巨大潜力，特别是在阐明髓母细胞瘤转移的分子和免疫驱动因素方面。通过提供强大的数据驱动方法，我们旨在提高临床决策的精确性，最终改善髓母细胞瘤患者的预后。”
展望未来，可解释机器学习在肿瘤学中的应用可能会推动免疫靶向治疗和细胞因子抑制剂的发展，特别是针对高风险髓母细胞瘤亚组。研究团队计划通过纳入基因组或放射组学数据来扩展模型，进一步增强其预测能力和临床实用性。
这项研究标志着人工智能与临床专业知识融合的重大进展，为精准医学和未来靶向治疗的发展奠定了基础，也为脑癌儿童提供了更精确、个性化的护理方案。
