背景：乳腺癌相关淋巴水肿（Breast Cancer-Related Lymphedema, BCRL）是乳腺癌治疗后常见并发症，具有不可逆性与高致残率。目前临床痛点在于难以早期识别高危患者。本研究聚焦BCRL风险预测，整合机器学习技术与多维度临床数据构建实用防治工具，为BCRL精准预防提供参考。方法：纳入2021年1月至2025年5月接受乳腺癌手术及治疗的受试者，以患侧上肢周径差≥2 cm为BCRL诊断标准。采用LASSO回归、支持向量机递归特征消除（Support Vector Machine Recursive Feature Elimination, SVM-RFE）、随机森林（Random Forest, RF）及Boruta四种算法对34个变量进行特征筛选，取四法共同选出的特征作为建模变量。应用SHAP（Shapley Additive exPlanations）值分析，构建并验证基于Stacking集成学习的可解释BCRL风险预测模型，并开发可视化Web工具。结果：共纳入570例合格患者，分为训练集（420例）与时间验证集（150例）。筛选出7项核心特征，包括临床特征（体质指数[Body Mass Index, BMI]、肿瘤临床分期、手术方式、腋窝淋巴结处理方式、糖尿病）及可改变特征（患者对BCRL的认知程度、术后每日持手机时间）。Stacking模型性能最优，训练集与验证集ROC-AUC分别为0.911和0.868，PR-AUC分别为0.857和0.789。Web工具StackBCRL可在线访问。结论：通过整合术后行为特征（每日持手机时间及BCRL认知程度）构建基于Stacking集成学习的可解释BCRL风险预测模型，所开发的BCRL风险评估系统可实现实时个体化风险预测与可视化，为BCRL大规模低成本早期筛查提供简便实用方法，适于临床推广并为BCRL防控提供创新方案。
论文解读：《Development and validation of an interpretable stacking-based risk model for breast cancer-related lymphoedema: a cross-sectional study》（发表于Frontiers in Oncology）
研究背景与目的
乳腺癌早期诊治水平提升使患者的5年生存率在发达国家超过85%，乳腺癌逐渐转为慢性病，但治疗相关远期并发症成为长期管理的难点。乳腺癌相关淋巴水肿（Breast Cancer-Related Lymphedema, BCRL）是乳腺癌腋窝手术（如腋窝淋巴结清扫[Axillary Lymph Node Dissection, ALND]或前哨淋巴结活检[Sentinel Lymph Node Biopsy, SLNB]）后最常见且严重的并发症之一，由淋巴回流受阻致组织液积聚引起患肢肿胀，可伴疼痛、功能障碍及皮肤改变，具高致残率且不可逆，显著降低生存质量。现有BCRL风险预测模型存在偏倚大、泛化能力不足问题，多聚焦于不可控危险因素（年龄、BMI、肿瘤分期、术式、放化疗等），而对可控的术后行为与生活方式因素关注较少。随着智能手机普及，乳腺癌术后患者常长时间以患侧手持机娱乐，但其与BCRL发生的关联尚未明确。本研究旨在传统不可控危险因素基础上，整合术后行为生活方式（特别是每日持手机时间及BCRL认知度），构建基于Stacking集成学习（Stacking ensemble learning）的可解释BCRL风险预测模型，为临床早期筛查与个体化预防提供实用工具。
研究人员回顾性连续收集2021年1月至2025年5月汉中市中心医院乳腺外科等科室符合标准的单侧乳腺癌术后患者，经纳排标准筛选最终入组570例，按入组时间划分为训练集（2021—2023年，n=420）与时间为验证集（2024—2025年，n=150）。提取电子病历及结构化问卷收集34个变量（人口学、临床病理、治疗方式、合并症、术后行为），以双侧上肢四点（腕横纹、腕横纹上10 cm、肘前窝、肘前窝上10 cm）周径差≥2 cm结合临床症状确诊BCRL。缺失值<5%行完整病例分析；连续变量离散化、无序分类变量独热编码（one-hot encoding）。特征筛选采用LASSO回归、SVM-RFE、RF及Boruta四算法共识取交集；SMOTE（Synthetic Minority Over-sampling Technique）过采样处理类别不平衡且仅用于训练折内防数据泄露；以Logistic Regression(LR)、Naïve Bayes、K最近邻（K-Nearest Neighbors, KNN）、径向基核支持向量机（Radial Basis Function-Support Vector Machine, RBF-SVM）、多层感知机（Multilayer Perceptron, MLP）、决策树（Decision Tree, DT）、RF及XGBoost为基学习器，LASSO为元模型构建Stacking模型；用SHAP值做全局与局部解释；基于R/Shiny开发Web工具StackBCRL。性能评估指标含ROC-AUC、PR-AUC（Precision-Recall AUC）、准确率、灵敏度、特异度、Brier评分及决策曲线分析（Decision Curve Analysis, DCA）。
研究结果
3.1 Participant characteristics（研究对象特征）
训练集与验证集BCRL发生率分别为37.1%与36.7%（P>0.05），基线均衡可比。单因素分析显示BCRL组BMI更高（P<0.01）；肿瘤临床分期晚（Ⅲ期）、T/N分期高、浸润性导管癌比例高（P<0.01）；行全乳切除、ALND、I～II/III级腋窝淋巴结清扫、新辅助化疗（Neoadjuvant Chemotherapy, NAC）、胸壁±锁骨上区放疗者占比高（P<0.01）；合并糖尿病、高血压及有术后并发症者多（P<0.05）；对BCRL不知晓/认知差、未行康复护理、每日持手机>2 h者比例显著更高（P<0.05）。
3.2 Feature selection（特征筛选）
四算法分别选出15、15、17、15个特征，取交集得7个核心变量：手术方式、肿瘤临床分期、术后每日持手机时间、腋窝淋巴结处理方式、BMI、合并糖尿病、患者对BCRL的认知程度。
3.3 Construction and evaluation of the optimal model（最优模型构建与评价）
Stacking集成模型训练集ROC-AUC=0.911，PR-AUC=0.857，准确率0.817，灵敏度0.814，特异度0.818；时间验证集ROC-AUC=0.868（95% CI: 0.823–0.906），PR-AUC=0.789（95% CI: 0.731–0.842），灵敏度0.836（95% CI: 0.765–0.895），特异度0.716（95% CI: 0.642–0.788），Brier评分0.154。性能优于各单一基模型（LR验证集ROC-AUC=0.780；朴素贝叶斯灵敏度高但特异度低仅0.558；XGBoost特异度高但灵敏度低）。校准曲线显示Stacking与LR校准最佳（Brier=0.154）；DCA显示Stacking在阈值概率0.2–0.6范围内净获益高于LR及"全干预/不干预"策略。
3.4 Model explanation（模型解释）
SHAP全局重要性排序：手术方式(mean |SHAP|=0.105)>肿瘤临床分期(0.090)>每日持手机时间(0.065)>BMI(0.063)>腋窝淋巴结处理方式(0.060)>糖尿病与BCRL认知度(均0.038)。SHAP依赖图表明：全乳切除、临床Ⅲ期、每日持手机>2 h、超重/肥胖、ALND、患糖尿病、BCRL认知不足→SHAP值为正（升风险）；保乳手术、Ⅰ期、持手机<1 h、正常/低体重、SLNB、无糖尿病、BCRL认知好→SHAP值为负（降风险）。个体Force Plot与Waterfall Plot可展示从基线期望E[f(x)]=0.433起各特征SHAP值累加得到个体预测概率。
3.5 Visual web tool: StackBCRL（可视化Web工具StackBCRL）
基于R/Shiny部署在线工具（https://dbf5yo-aikemi-xia.shinyapps.io/StackBCRL/ ），含数据录入与批量导入、Stacking模型实时风险概率与分类输出、SHAP特征贡献力图与瀑布图可视化模块，支持结果导出。
讨论与结论总结
既往研究证实ALND/全乳切除、晚期肿瘤分期、高BMI是BCRL独立危险因素，本研究结果与之吻合。本研究创新性地发现并纳入术后每日持手机时间及BCRL认知度为预测因子——长时间持手机可能通过持续低强度指腕肌活动（低效肌泵）或不良姿势压迫腋/锁骨下淋巴通路，或因忽视患肢早期预警信号与整体活动不足相关，但本研究为横断面设计不能推定因果，需前瞻性研究验证。将可改变行为因素纳入模型是BCRL风险研究从不可控向可控因素转变的体现。Stacking集成降低基模型偏差与方差，时间验证显示良好泛化；SHAP解释使"黑箱"模型透明且符合临床病理机制，增强临床可接受性；StackBCRL工具降低使用门槛促临床转化。局限性含单中心横断面、仅为时间验证非多中心外部验证、行为变量为自报无客观监测、未前瞻验证工具对预后影响。
结论翻译（浓缩）：研究人员构建并验证了整合术后行为因素（每日持手机时间及BCRL认知）的基于Stacking集成学习的可解释BCRL风险预测模型，开发StackBCRL可视化网络工具实现个体化风险实时预测与可视化。横断面分析提示术后每日持手机时间及BCRL认知度与BCRL风险相关，为BCRL防控提供新思路，因果关系有待前瞻性研究检验。
打赏
