肿瘤试验智能匹配平台

肝细胞癌（Hepatocellular Carcinoma，HCC，以下简称“肝癌”）是全球第六大常见恶性肿瘤，也是癌症相关死亡的第三大主因。肝癌具有多灶性起源、肝内复发风险高、预后差等特征，严重威胁患者生命健康。

目前，巴塞罗那临床肝癌分期（BCLC）体系已成为全球临床诊疗中广泛应用的分期标准。尽管BCLC及其更新版通过引入“治疗阶段迁移（TSM）”和“不可治疗的进展”等概念，实现了治疗策略的阶段性调整，但其本质仍是一种基于单一时间节点的静态评估方法，难以应对肝癌疾病进展的高度异质性和复杂性。

为了突破这一局限，研究团队此前开发了基于机器学习的生存路径（Survival Path，SP）模型，以患者时间序列数据为基础实现动态预后预测，并发布了相关R软件包。尽管该模型已展现出一定临床价值，但仍存在过拟合风险及远期时间点数据利用不足的问题。

技术创新：节点融合生存路径模型（Fusion-SP）

本研究在原有生存路径模型的基础上，创新性地引入了节点融合算法，有效缓解了模型复杂度与泛化能力之间的矛盾（图1）。目前研究成果已经发表在the Innovation Medicine期刊。

图1. 研究设计的流程图。（A）时间序列数据的转换；（B）特征选择，节点分裂和再融合。

研究共纳入来自全国六家医疗中心的肝癌患者纵向数据，包括基线资料、实验室检查、影像学检查等，按训练集、内部验证集、外部验证集进行严格划分。所有数据采集和标注均由专业医疗团队完成，确保质量可靠。

技术上，研究团队自主研发并应用了基于DBSCAN算法的节点融合策略，结合边搜索、边融合的机器学习管线，实现了模型的结构简化与预测稳定性提升（图2）。

图2. 肝癌患者采用节点融合技术后的生存路径模型

研究结果显示，**节点融合生存路径模型（Fusion-SP）**在所有时间节点的预测效果，均显著优于传统的BCLC和AJCC分期系统，且泛化能力明显超越主流机器学习与深度学习模型，包括：

在以BCLC分期、肿瘤负荷和肝功能评分进行的亚组分析中，Fusion-SP尤其在BCLC C期、初始肿瘤负荷超出Up-to-Seven标准的患者中表现出卓越的动态预测优势（图3，图4）。

图3. Fusion-SP模型功能的深度分析。（A）模型节点的特征分析；（B）Fusion-SP与传统SP模型和临床分期的动态预后预测能力对比；（C）按照BCLC分期，肿瘤负荷以及肝功能评分进行的亚组分析。

图4. Fusion-SP模型在验证集中的生存曲线以及与传统的SP模型和临床分析的对比。

基于Fusion-SP模型，研究团队进一步挖掘并验证了多种相较于指南推荐更优的治疗方案，为晚期肝癌患者的精准治疗提供了全新视角（图5，图6）。

图5. 基于融合后生存路径模型（Fusion-SP）针对晚期肝癌患者的动态治疗推荐分析。

图6. 利用融合生存路径模型从而辅助肝癌患者的动态诊疗的代表性案例。（A）1例晚期肝癌患者采用治疗方案与模型推荐一致，最终实现完全缓解；（B）1例晚期肝癌患者采用传统治疗方案，疾病进展。

相关算法已通过GitHub平台开放共享，供科研团队与临床人员下载使用：
🔗 GitHub地址

同时，研究者也可通过在线平台，搭建个性化模型，便捷实现分析：
💻 Fusion-SP在线分析平台（图7）。

本研究成功构建了融合生存路径模型（Fusion-SP），实现了基于时间序列数据的肝癌动态预后预测，并在泛化能力和解释性方面均取得突破性进展。未来，Fusion-SP不仅有望优化肝癌患者的动态诊疗，还可推广至其他恶性肿瘤的诊疗研究，助力癌症治疗向个体化、精细化与智能化迈进。