导语：如果肝移植与切除都能“治愈”早期肝癌，为何有人十年无恙，有人三年复发?——这道每天挂在肝胆MDT会议室的难题，其实藏在一个多维、非线性的决策黑洞里。本文把机器学习塞进这个黑洞，让数据自己说出谁该拿供肝、谁该上手术台，为精准外科装上一颗可解释的大脑。
肝细胞癌治疗选择的困境：机器学习能否提供新的解决方案?
肝细胞癌(HCC)根治路径看似“二选一”——切除(SR)与肝移植(LT)——实则是一场在多变量、非线性空间里的“暗箱博弈”。米兰标准、Child-Pugh 分级、门脉高压阈值等传统规则，把连续分布的生物学行为粗暴切分为二元答案;一旦患者落在“灰区”，指南便只剩“可酌情商榷”六个字。供体稀缺进一步放大决策成本：活体捐献需要家庭、伦理、经济三线并行，尸体分配则受MELD 得分与等待时间双重挤压，肿瘤进展窗口被不可预测地拉长。于是，临床常规往往先“安全”地切一刀，待复发再评估补救性移植;结果在二次手术、免疫抑制、血管并发症的叠加打击下，长期生存曲线被硬性拉低，器官利用率也同步下降。
更棘手的是，现有预后模型大多基于 Cox 线性假设，将肿瘤数目、AFP、胆红素等参数视为独立、相加的风险权重，忽略了“肝实质-肿瘤负荷-系统炎症”三角关系的交互阈值效应。例如，同样两枚 3 cm 病灶，在残余肝体积不足 40% 且 PIVKA-II >400 mAU/mL 的肝硬化背景下，SR 的 3 年复发率可跃升至 70%，而 LT 的移植物失功风险并未等比例升高;反之，在年轻、无门脉高压、ICG-R15<10% 的患者中，解剖性切除的 5 年生存率与移植差距不足 5%，却可节省一枚宝贵供肝。传统评分无法量化这类“交叉受益”区间，导致资源错配：一部分本可长期无瘤生存的 SR 候选人占用了 LT 队列，另一部分潜在移植获益者因“超出标准”被提前排除。
2025 年 9 月JAMA Network Open刊登的“Machine Learning–Based Selection of Resection vs Transplant and Survival in Hepatocellular Carcinoma”正是瞄准这一决策盲区。作者跳出了“先定标准再套病人”的思维定式，让算法在 30 维临床特征构成的非线性流形中自动捕捉交互节点，为每一例个体并行输出 SR-LT 的 3 年死亡概率，从而把“灰区”拆成可操作的 LT-favorable 与 LT-nonfavorable 亚群。该策略首次将“移植可及性”与“个体生物学行为”放在同一量化框架内对冲，为后续前瞻性随机验证提供了可解释的决策接口，也为供体精准投放、等待期间桥接治疗以及术后随访强度分配奠定了算法基础。
基于机器学习的风险评估：如何优化肝细胞癌的治疗选择?
本研究是一项全国性队列研究，旨在开发和验证一种基于机器学习的决策支持模型，以优化肝细胞癌患者在肝移植和手术切除之间的个体化治疗选择。研究纳入了2008年至2018年韩国中央癌症登记处记录的所有接受肝移植或手术切除的HCC患者作为推导队列，并从2009年至2020年首尔圣玛丽医院接受治疗的HCC患者中选取独立队列进行外部验证。研究的主要评价指标为3年总生存率(OS)，分别开发了针对肝移植和手术切除的机器学习模型。研究共纳入了3915例患者(3137例男性，占比80.1%)，其中296例接受肝移植，3619例接受手术切除。外部验证队列包括614例患者(497例男性，占比80.9%)，其中314例接受肝移植，300例接受手术切除。通过机器学习模型，研究者对患者的3年生存风险进行了评估，并将患者分为高风险和低风险组，从而识别出更适合肝移植的患者群体。这一研究设计不仅考虑了患者的个体差异，还通过外部验证队列进一步验证了模型的可靠性和有效性。
机器学习模型精准分层风险，优化肝细胞癌治疗选择
本研究通过机器学习技术，成功开发并验证了一种决策支持模型，能够精准分层HCC患者的治疗相关风险，从而优化LT与SR的选择。研究结果显示，机器学习模型在预测3年总生存率(OS)方面表现出色，显著优于传统方法。具体而言，在肝移植队列中，支持向量机(SVM)模型达到了最高的接收者操作特征曲线下面积(AUROC)值0.82(95%CI0.78-0.86);而在手术切除队列中，CatBoost模型表现最佳，AUROC值为0.79(95%CI0.78-0.80)(图1)。这些结果表明，机器学习模型能够有效识别高风险和低风险患者，为临床决策提供有力支持。
风险分层与生存率差异显著
通过机器学习模型的风险分层，研究者将患者分为高风险和低风险组，并发现低风险组的生存率显著高于高风险组。在肝移植队列中，低风险组的中位总生存期未达到，而高风险组的中位总生存期为32.5个月(95%CI30.2-34.7个月)(图1A)。在手术切除队列中，低风险组的中位总生存期未达到，而高风险组的中位总生存期为32.5个月(95%CI30.2-34.7个月)(图1B)。这些结果表明，机器学习模型能够有效识别出更适合肝移植的患者群体，从而优化治疗选择。
图1 推导队列中机器学习定义风险组的 Kaplan-Meier 生存分析
反事实分析验证模型有效性
为了进一步验证机器学习模型的有效性，研究者进行了反事实分析，比较了机器学习指导的治疗决策与实际临床实践决策之间的生存差异。结果显示，机器学习指导的治疗决策与实际临床实践决策相比，显著改善了患者的生存率。在整体队列中，机器学习指导的治疗决策与实际临床实践决策相比，风险比(HR)为0.46(95%CI0.42-0.50;P<0.001)。这一结果表明，机器学习模型不仅能够有效分层风险，还能通过优化治疗选择显著提高患者的生存率。
模型在不同亚组中的表现
研究者还对不同亚组进行了分析，发现机器学习模型在不同亚组中均表现出色。在肝移植队列中，低风险组的生存率显著高于高风险组(HR，0.25;95%CI0.15-0.42;P<0.001)(图1A)。在手术切除队列中，低风险组的生存率显著高于高风险组(HR，0.17;95%置信区间0.15-0.19;P<0.001)(图1B)。此外，机器学习模型在不同供体类型(活体供体和尸体供体)的亚组中也表现出了良好的预测性能，进一步验证了其在不同临床场景中的适用性。
模型的临床应用价值
基于机器学习的决策支持模型不仅在预测性能上优于传统方法，还具有显著的临床应用价值。通过个体化的风险评估，该模型能够为临床医生提供更精准的治疗建议，从而优化治疗选择，提高患者的生存率。具体而言，该模型能够识别出那些在传统标准下可能被忽视的高风险患者，为他们提供更适合的治疗方案。此外，该模型还能够为供体分配提供更精准的指导，提高供体的利用效率，减少不必要的移植手术，从而优化医疗资源的分配。
总结
本文通过开发和验证一种基于机器学习的决策支持模型，为肝细胞癌患者在肝移植和手术切除之间的治疗选择提供了新的视角。研究结果表明，该模型能够有效分层患者的治疗相关风险，识别出更适合肝移植的患者群体，并可能通过优化临床实践提高患者的生存率。这一研究不仅展示了机器学习在医学领域的应用潜力，还为临床医生提供了一种新的工具，以更精准地选择最适合患者的治疗方案。基于机器学习的决策支持模型的临床应用价值在于其能够整合复杂的临床变量，提供个体化的风险评估，从而优化治疗选择，提高患者的生存率。
参考文献
[1]Kim HU, Han JW, Sung PS,et al. Machine Learning-Based Selection of Resection vs Transplant and Survival in Hepatocellular Carcinoma[J]. JAMA Netw Open. 2025 Sep 2;8(9):e2532353. DOI: 10.1001/jamanetworkopen.2025.32353.
导语：如果肝移植与切除都能“治愈”早期肝癌，为何有人十年无恙，有人三年复发?——这道每天挂在肝胆MDT会议室的难题，其实藏在一个多维、非线性的决策黑洞里。本文把机器学习塞进这个黑洞，让数据自己说出谁该拿供肝、谁该上手术台，为精准外科装上一颗可解释的大脑。
肝细胞癌治疗选择的困境：机器学习能否提供新的解决方案?
肝细胞癌(HCC)根治路径看似“二选一”——切除(SR)与肝移植(LT)——实则是一场在多变量、非线性空间里的“暗箱博弈”。米兰标准、Child-Pugh 分级、门脉高压阈值等传统规则，把连续分布的生物学行为粗暴切分为二元答案;一旦患者落在“灰区”，指南便只剩“可酌情商榷”六个字。供体稀缺进一步放大决策成本：活体捐献需要家庭、伦理、经济三线并行，尸体分配则受MELD 得分与等待时间双重挤压，肿瘤进展窗口被不可预测地拉长。于是，临床常规往往先“安全”地切一刀，待复发再评估补救性移植;结果在二次手术、免疫抑制、血管并发症的叠加打击下，长期生存曲线被硬性拉低，器官利用率也同步下降。
更棘手的是，现有预后模型大多基于 Cox 线性假设，将肿瘤数目、AFP、胆红素等参数视为独立、相加的风险权重，忽略了“肝实质-肿瘤负荷-系统炎症”三角关系的交互阈值效应。例如，同样两枚 3 cm 病灶，在残余肝体积不足 40% 且 PIVKA-II >400 mAU/mL 的肝硬化背景下，SR 的 3 年复发率可跃升至 70%，而 LT 的移植物失功风险并未等比例升高;反之，在年轻、无门脉高压、ICG-R15<10% 的患者中，解剖性切除的 5 年生存率与移植差距不足 5%，却可节省一枚宝贵供肝。传统评分无法量化这类“交叉受益”区间，导致资源错配：一部分本可长期无瘤生存的 SR 候选人占用了 LT 队列，另一部分潜在移植获益者因“超出标准”被提前排除。
2025 年 9 月JAMA Network Open刊登的“Machine Learning–Based Selection of Resection vs Transplant and Survival in Hepatocellular Carcinoma”正是瞄准这一决策盲区。作者跳出了“先定标准再套病人”的思维定式，让算法在 30 维临床特征构成的非线性流形中自动捕捉交互节点，为每一例个体并行输出 SR-LT 的 3 年死亡概率，从而把“灰区”拆成可操作的 LT-favorable 与 LT-nonfavorable 亚群。该策略首次将“移植可及性”与“个体生物学行为”放在同一量化框架内对冲，为后续前瞻性随机验证提供了可解释的决策接口，也为供体精准投放、等待期间桥接治疗以及术后随访强度分配奠定了算法基础。
基于机器学习的风险评估：如何优化肝细胞癌的治疗选择?
本研究是一项全国性队列研究，旨在开发和验证一种基于机器学习的决策支持模型，以优化肝细胞癌患者在肝移植和手术切除之间的个体化治疗选择。研究纳入了2008年至2018年韩国中央癌症登记处记录的所有接受肝移植或手术切除的HCC患者作为推导队列，并从2009年至2020年首尔圣玛丽医院接受治疗的HCC患者中选取独立队列进行外部验证。研究的主要评价指标为3年总生存率(OS)，分别开发了针对肝移植和手术切除的机器学习模型。研究共纳入了3915例患者(3137例男性，占比80.1%)，其中296例接受肝移植，3619例接受手术切除。外部验证队列包括614例患者(497例男性，占比80.9%)，其中314例接受肝移植，300例接受手术切除。通过机器学习模型，研究者对患者的3年生存风险进行了评估，并将患者分为高风险和低风险组，从而识别出更适合肝移植的患者群体。这一研究设计不仅考虑了患者的个体差异，还通过外部验证队列进一步验证了模型的可靠性和有效性。
机器学习模型精准分层风险，优化肝细胞癌治疗选择
本研究通过机器学习技术，成功开发并验证了一种决策支持模型，能够精准分层HCC患者的治疗相关风险，从而优化LT与SR的选择。研究结果显示，机器学习模型在预测3年总生存率(OS)方面表现出色，显著优于传统方法。具体而言，在肝移植队列中，支持向量机(SVM)模型达到了最高的接收者操作特征曲线下面积(AUROC)值0.82(95%CI0.78-0.86);而在手术切除队列中，CatBoost模型表现最佳，AUROC值为0.79(95%CI0.78-0.80)(图1)。这些结果表明，机器学习模型能够有效识别高风险和低风险患者，为临床决策提供有力支持。
风险分层与生存率差异显著
通过机器学习模型的风险分层，研究者将患者分为高风险和低风险组，并发现低风险组的生存率显著高于高风险组。在肝移植队列中，低风险组的中位总生存期未达到，而高风险组的中位总生存期为32.5个月(95%CI30.2-34.7个月)(图1A)。在手术切除队列中，低风险组的中位总生存期未达到，而高风险组的中位总生存期为32.5个月(95%CI30.2-34.7个月)(图1B)。这些结果表明，机器学习模型能够有效识别出更适合肝移植的患者群体，从而优化治疗选择。
图1 推导队列中机器学习定义风险组的 Kaplan-Meier 生存分析
反事实分析验证模型有效性
为了进一步验证机器学习模型的有效性，研究者进行了反事实分析，比较了机器学习指导的治疗决策与实际临床实践决策之间的生存差异。结果显示，机器学习指导的治疗决策与实际临床实践决策相比，显著改善了患者的生存率。在整体队列中，机器学习指导的治疗决策与实际临床实践决策相比，风险比(HR)为0.46(95%CI0.42-0.50;P<0.001)。这一结果表明，机器学习模型不仅能够有效分层风险，还能通过优化治疗选择显著提高患者的生存率。
模型在不同亚组中的表现
研究者还对不同亚组进行了分析，发现机器学习模型在不同亚组中均表现出色。在肝移植队列中，低风险组的生存率显著高于高风险组(HR，0.25;95%CI0.15-0.42;P<0.001)(图1A)。在手术切除队列中，低风险组的生存率显著高于高风险组(HR，0.17;95%置信区间0.15-0.19;P<0.001)(图1B)。此外，机器学习模型在不同供体类型(活体供体和尸体供体)的亚组中也表现出了良好的预测性能，进一步验证了其在不同临床场景中的适用性。
模型的临床应用价值
基于机器学习的决策支持模型不仅在预测性能上优于传统方法，还具有显著的临床应用价值。通过个体化的风险评估，该模型能够为临床医生提供更精准的治疗建议，从而优化治疗选择，提高患者的生存率。具体而言，该模型能够识别出那些在传统标准下可能被忽视的高风险患者，为他们提供更适合的治疗方案。此外，该模型还能够为供体分配提供更精准的指导，提高供体的利用效率，减少不必要的移植手术，从而优化医疗资源的分配。
总结
本文通过开发和验证一种基于机器学习的决策支持模型，为肝细胞癌患者在肝移植和手术切除之间的治疗选择提供了新的视角。研究结果表明，该模型能够有效分层患者的治疗相关风险，识别出更适合肝移植的患者群体，并可能通过优化临床实践提高患者的生存率。这一研究不仅展示了机器学习在医学领域的应用潜力，还为临床医生提供了一种新的工具，以更精准地选择最适合患者的治疗方案。基于机器学习的决策支持模型的临床应用价值在于其能够整合复杂的临床变量，提供个体化的风险评估，从而优化治疗选择，提高患者的生存率。
参考文献
[1]Kim HU, Han JW, Sung PS,et al. Machine Learning-Based Selection of Resection vs Transplant and Survival in Hepatocellular Carcinoma[J]. JAMA Netw Open. 2025 Sep 2;8(9):e2532353. DOI: 10.1001/jamanetworkopen.2025.32353.
