利用外周血建立可解释的机器学习模型，用于无创检测JAK2 V617F阳性骨髓增殖性肿瘤（MPNs）患者的中度至重度骨髓纤维化：一项多中心概念验证初步研究

摘要

JAK2 V617F阳性骨髓增生性肿瘤（MPNs）向中重度骨髓纤维化（MF）的进展通常在临床上没有明显症状，而骨髓活检具有侵入性，不适合用于定期监测。在这项多中心的概念验证研究中，我们旨在开发一种基于外周血参数的可解释、非侵入性的模型，以检测显著的纤维化并探讨相关的炎症机制。共有336名JAK2 V617F阳性MPN患者被纳入模型训练，92名患者用于外部验证。通过最小绝对收缩选择算法（LASSO）和Boruta算法筛选了候选特征（血细胞计数、细胞因子、临床数据）。比较了十种机器学习方法，并评估了模型的区分能力、校准性能和临床效用。分子验证集中在Jak2V617F敲入小鼠和共培养实验中的白细胞介素-1β（IL-1β）上。支持向量机模型表现出最佳的区分能力（曲线下面积[AUC] = 0.916，95%置信区间0.83–0.99）、良好的校准性能以及最高的临床实用性。Shapley Additive Explanations（SHAP）分析确定血红蛋白、IL-1β和年龄是最具影响力的特征。临床前实验证实IL-1β水平升高与纤维化进展相关，这一现象可通过鲁索替尼或聚乙二醇化干扰素-α逆转，但羟基脲无效。这项多中心的概念验证研究表明，基于血液的模型在识别中重度MF方面具有初步的准确性，并强调了IL-1β作为机制性生物标志物的作用。数据支持将其作为补充方法的潜在效用；骨髓活检仍然是参考标准。

图形摘要

这项多中心概念验证研究整合了临床队列、小鼠模型和体外/离体实验，强调了白细胞介素-1β（IL-1β）作为评估JAK2 V617F阳性MPNs中隐匿性骨髓纤维化严重程度的有希望的生物标志物。

利益冲突声明

作者没有需要披露的利益冲突。

数据可用性声明

本研究生成和/或分析的数据集可应合理要求向相应作者索取。特征选择（LASSO和Boruta）、模型构建和SHAP分析的源代码可在https://github.com/zhuanghui1996/JAK2V617F-Mutation-MF-Risk-Prediction-Based-on-Machine-LearningAnalysis公开获取。