可解释性机器学习模型对宫颈癌周围神经浸润的术前精准预测及临床决策支持：一项多中心回顾性研究

Interpretable machine learning models for preoperative precision prediction of perineural invasion in cervical cancer to support treatment decision: a multicenter retrospective study

摘要

目的 建立术前预测宫颈癌患者术后周围神经浸润（PNI）发生风险的机器学习模型和线上预测器，实现临床诊疗决策制定的人工智能应用。 方法 回顾性纳入845例于河北医科大学第四医院接受根治性手术治疗的宫颈癌患者病理资料，以7∶3的比例分为训练集（n=593）和测试集（n=252）；同期纳入河北医科大学第二医院收治的223例宫颈癌患者组成外部验证集。LASSO筛选宫颈癌患者术后PNI发生相关术前特征变量，通过7种机器学习算法构建预测模型并通过ROC曲线下面积（AUC）和临床决策曲线（DCA）评价其预测效能及其在不同数据集的一致性。确定最优预测模型后进行SHAP解释，最终构建宫颈癌患者术后PNI发生风险的预测网站。 结果 共纳入1068例宫颈癌患者，其中192例（17.98%）患者术后病理结果呈现为PNI。LASSO回归分析共筛选：脉管间隙侵犯、间质浸润深度、淋巴结转移、阴道镜引导下穿刺活检、肿瘤最大直径、癌胚抗原、SCC-Ag、血小板/淋巴细胞比值、中性粒细胞/淋巴细胞比值、淋巴细胞*白蛋白/中性粒细胞比值、绝经情况、年龄和组织学类型等13个术前特征变量，7种算法对比，XGBoost模型在训练集和测试集中效能最佳，AUC分别为0.962和0.923，95% CI：0.942~0.979和0.874~0.960，敏感度为0.873、0.767，特异度为0.939、0.942。DCA分析结果同样显示XGBoost模型在较宽阈值范围内具有正向更大的净效益。基于SHAP可解释模型构建预测网站并进行外部验证，结果显示，该模型具有良好的泛化能力和预测准确性（AUC为0.924，准确率为0.933）。 结论 本研究开发的可解释性SHAP-XGBoost模型能够较好的预测宫颈癌患者术后周围神经浸润结局，基于该模型开发的预测网站可为宫颈癌诊疗决策制定提供辅助工具。

Abstract

Objective To develop an interpretable machine learning model and web-based prediction tool for preoperative risk assessment of perineural invasion (PNI) in cervical cancer. Methods A total of 845 cervical cancer patients undergoing radical surgery at Fourth Hospital of Hebei Medical University were retrospectively enrolled and divided into training and testing sets in a 7:3 ratio, with another 223 cervical cancer patients at Hebei Medical University Second Hospital during the same period serving as the external validation cohort. LASSO regression identified 13 preoperative predictors, which were incorporated into 7 machine learning algorithms. Model performance was evaluated using AUC and decision curve analysis. The optimal model was interpreted using SHAP values and deployed as a web-based prediction tool. Results Of the total of 1068 patients enrolled, 192 (17.98%) were diagnosed to have PNI. Thirteen preoperative features, namely lymphovascular space invasion (LVSI), depth of stromal invasion, lymph node metastasis (LNM), colposcopy-directed biopsy (CDB), tumor maximum diameter, carcinoembryonic antigen, SCC-Ag, platelet-to-lymphocyte ratio (PLR), neutrophil-to-lymphocyte ratio (NLR), lymphocyte-albumin-neutrophil ratio (LANR), menopausal status, age, and histological type were selected. Comparison of model performance revealed that the Extreme Gradient Boosting (XGBoost) model resulted in the best efficacy in both the training and testing datasets with AUC of 0.962 and 0.923 (95% CI: 0.942-0.979 and 0.874-0.960), sensitivity of 0.873 and 0.767, and specificity of 0.939 and 0.942, respectively. Decision curve analysis demonstrated greater net benefit of the XGBoost model across a broader threshold range. The SHAP-XGBoost model showed excellent performance in external validation with an AUC of 0.924 and an accuracy of 0.933. Conclusion The interpretable SHAP-XGBoost model effectively predicts PNI risk preoperatively. The predictive website derived from this model provides an useful tool to facilitate clinical decision-making in cervical cancer treatment.

Graphical abstract

关键词

宫颈癌 / 周围神经浸润 / 机器学习

Key words

cervical cancer / perineural invasion / machine learning

子宫颈癌是全球发病率和死亡率排名第3的妇科肿瘤^［1］。2020年全球新发病例约60.4万例，死亡34.2万例；同年中国新发10.97万例，死亡5.9万例^［2］。常规术式即根治性子宫切除术（RH）联合盆腔淋巴结清扫可能会导致患者术后膀胱、性、结直肠功能障碍，改良神经保留根治性子宫切除术（NSRH）通过保留盆腔自主神经来避免这些不良反应，且已经成熟应用^{［3， 4］}。然而，NSRH的核心局限是其在保留盆腔神经的同时，可能残留浸润神经的癌细胞，进而增加患者术后复发、转移风险，影响预后；若患者不存在周围神经肿瘤细胞浸润（PNI），盲目采用传统RH术式则会导致不必要的神经损伤，降低患者生活质量。研究发现，沿神经传播是癌症扩散的一个独立途径^［5-7］。因此，术前精准预测子宫颈癌患者PNI情况，是临床医生合理选择手术方式（NSRH或RH）、平衡治疗效果与术后生活质量的关键前提，对优化宫颈癌手术诊疗策略、改善患者预后具有重要的临床指导意义。

淋巴结转移（LNM）、脉管间隙侵犯（LVSI）、切缘累及和深间质浸润等是子宫颈癌患者预后不良的重要危险因素^［8］，但是PNI在子宫颈癌研究中常被忽视，并且PNI对手术方式选择的指导价值尚未得到充分重视。PNI已被证实是胰腺癌、前列腺癌、头颈癌等多种实体瘤的关键病理特征，并且已有这些癌症相关的PNI模型研究^［9-11］。据报道，7.1%~35.1%的子宫颈癌患者存在PNI^［12-14］，PNI的发生与肿瘤直径较大、间质浸润较深、LVSI、LNM、切缘累及等危险因素显著相关^{［13， 15-20］}，然而这些传统人口统计学特征、临床病理特征对PNI的预测价值十分有限^［21］，无法为患者的手术方式精准选择提供可靠支撑，导致部分存在PNI的患者误选NSRH术式而增加复发风险，或无PNI患者误选RH术式而出现严重术后并发症。

近年来，人工智能算法在预后预测方面取得了显著增长^［22］。传统的统计方法关注自变量与因变量之间的关系而获得最终结果，而机器学习算法可以学习到数据中隐藏的模式，管理变量之间的非线性关系，具有非线性、复杂相互作用、纳入更多影响结局变量等优势^［23］。机器学习使计算机变得智能，而无需直接教它们如何决策和解决问题，并且机器学习算法已在许多疾病的诊断、预后和发生预测方面得到了研究和发展^［24］。Guo等^［25］探索将术前系统性炎症指标构建宫颈癌淋巴结转移预测模型，内部及外部验证AUC均>0.80，表明该模型可精准预测宫颈癌患者的淋巴结转移情况。Guan等^［26］将术前全身炎症反应指数联合临床病理参数构建宫颈癌术后复发的预测模型，以便为未来的临床实践提供个性化的临床决策支持。目前尚未有研究报道将术前炎症指标整合临床病理参数构建基于机器学习模型预测宫颈癌患者术后的PNI发生风险，因此，本研究采用回顾性方法，基于接受NSRH治疗子宫颈癌患者的多中心队列，筛选PNI相关特征变量，比较7种不同机器学习算法构建的PNI发生风险模型的预测效能，选取最优模型并建立预测网站，为临床医生选择合理的手术方式、制定个体化诊疗决策提供科学方法和便捷工具。

1 资料和方法

1.1 研究对象

本研究回顾性收集2023年1月~2025年5月在河北医科大学第四医院因宫颈癌就诊并行手术的1747例患者资料，根据纳入及排除标准最终选择接受根治性手术治疗的845例宫颈癌患者的临床资料。将其按照7∶3的比例分为训练集（n=593）与测试集（n=252），并将河北医科大学第二医院收治的患者作为外部验证集（n=223）。

纳入标准：初次接受治疗并行宫颈癌根治术的患者；术前1周内进行血常规检测、凝血和肝肾功能检测且均于本院检测者；术前未行辅助放化疗者；无其他恶性肿瘤病史者。排除标准为：未行根治性切除的患者；临床或病理资料不完整的患者；术前放化疗等其他治疗或再次手术者；既往诊断为自身免疫系统、内分泌系统、血液系统疾病影响肝肾功能疾病等导致血化验结果异常者（筛选流程见图1）。本研究已获得华北理工大学医学伦理委员会审批（伦理批号：2025103）。

1.2 数据收集

为确保数据的准确性和完整性，采用双人双轨录入的方式，应用 Excel软件进行数据集收集，随后进行交叉核对，以确保数据录入的准确性和一致性。主要收集的人口统计学指标和临床病理特征有：年龄、BMI、阴道镜引导下穿刺活检（CDB）结果、TCT结果、肿瘤直径、组织类型、LVSI、间质浸润深度等。TCT检测是由专业的细胞病理学医生判断宫颈脱落细胞，诊断标准按2014年修订的TBS分类法。分为未见上皮内病变或恶性病变（NILM）、无明确诊断意义的非典型鳞状细胞（ASC-US）、不能排外高级别鳞状上皮内病变的非典型鳞状细胞（ASC-H）、低级别鳞状上皮内瘤变（LSIL）、高级别鳞状上皮内瘤变（HSIL）和鳞状细胞癌（SCC）。ASC-H、AGC和HSIL被归类为HSIL类别，而NILM、ASC和LSIL被归类为非HSIL类别。此外，收集术前1周内外周血细胞计数及生化指标，包括白细胞计数、中性粒细胞计数、单核细胞计数、淋巴细胞计数和血小板计数等。以方便计算白蛋白/纤维蛋白原（AFR）、血小板/淋巴细胞比值（PLR）、淋巴细胞/单核细胞（LMR）、中性粒细胞/淋巴细胞比值（NLR）、淋巴细胞*白蛋白/中性粒细胞比值（LANR）、SII、预后营养指数（PNI）和全身炎症反应指数（SIRI）。其中，SII=血小板×中性粒细胞/淋巴细胞；PNI=血清白蛋白+5×外周血淋巴细胞计数；SIRI=中性粒细胞计数×单核细胞计数/淋巴细胞计数。

1.3 结局定义

子宫颈癌患者术后行病理检查，HE染色和Ki-67和p16蛋白免疫组织化学染色分析。目前病理诊断标准通常采用Batsakis界定：PNI是恶性肿瘤细胞沿周围神经浸润和迁移的病理过程，被定义为肿瘤细胞存在于神经鞘的三层（神经内膜、神经束膜和神经外膜）中的任何一层，或者肿瘤累及相邻神经鞘周长的33%以上^{［12， 27-29］}。检查结果由病理科经验丰富的高年资医师判断，明确术后病理结果是否存在PNI。

1.4 统计学分析

采用SPSS 27.0、R 4.4.1和Python 3.6软件进行统计学分析。为确保研究数据的质量，对所有数据进行清理，剔除缺失值超过20%的变量。部分数据缺失低于20%，通过随机森林（RF）算法构建多个决策树进行数据插补。计量资料符合正态分布以均数±标准差表示，组间比较采用Student t检验，非正态分布数据以中位数（四分位数间距）表示，组间比较采用Mann-Whitney U检验；计数资料以n（%）表示，组间比较采用Fisher精确检验或χ²检验。所有检验均为双侧检验，P<0.05为差异具有统计学意义。

最小绝对值收敛和选择算子算法（LASSO）筛选PNI相关特征变量，并根据特征变量建立逻辑回归（LR）模型、随机森林（RF）模型、梯度提升树（GBDT）模型、极端随机树（ET）、轻量梯度提升机（LGB）、极端梯度提升（XGBoost）模型、CatBoost提升机（CB）。采用受试者工作特征（ROC）曲线、ROC曲线下面积（AUC）、准确率、精确度、召回率、F1分数、校准曲线和决策曲线分析（DCA）对7个模型的临床预测能力进行评估和比较。选择最佳模型后，使用沙普利加性解释（SHAP）对模型进行可视化，并开发子宫颈癌患者术后PNI发生风险线上预测器。

2 结果

2.1 临床资料特征比较

训练集与测试集所有临床指标差异均无统计学意义（P>0.05，表1）。845例子宫颈癌患者中，术后非PNI组699例（82.7%），术后PNI组146例（17.2%）。

2.2 LASSO回归重要特征变量筛选

LASSO回归通过引入L1正则化项，能够迫使某些回归系数收缩为零，从而实现特征选择，以10倍交叉验证lambda.1se=0.0942为模型最优值，共筛选出13个非零系数的特征变量，包括：LVSI、间质浸润深度、LNM、CDB、肿瘤最大直径、癌胚抗原、SCC-Ag、PLR、NLR、LANR、绝经情况、年龄、组织学类型（图2）。对筛选出的13个特征进行方差膨胀因子（VIF）分析，结果显示所有特征VIF值均<5，提示无明显共线性，证实筛选特征稳定，可作为后续模型构建的核心变量。

2.3 机器学习模型构建和预测效能的评价

采用7种机器学习算法将上述特征变量纳入模型预测子宫颈癌患者术后PNI的发生风险。在训练集、测试集和外部验证集中，XGBoost模型的AUC均优于其他6种模型（训练集：AUC=0.962，95% CI 0.942~0.979；测试集：AUC=0.923，95% CI 0.874~0.960；外部验证集：AUC=0.924，95% CI 0.874~0.965，图3）。模型的准确度、敏感度及特异度等指标在3个数据集均表现良好（表2），XGBoost模型具有较好的泛化能力和临床应用价值。此外，在3组数据中，校正曲线与理想校正形状一致，且XGBoost模型的Brier评分最低，预测精度最好。DCA曲线分析结果显示，XGBoost模型在3组数据集中的较宽阈值范围内具有正向更大的净效益（图4）。

2.4 XGBoost机器学习模型的SHAP值解释

采用SHAP值解释XGBoost模型相关特征变量对CC患者术后PNI预测的影响，结果按SHAP平均绝对值从高到低排序依次为：LVSI、DOI、LNM、CDB、肿瘤最大直径、CEA、SCC-Ag、PLR、NLR、LANR、年龄、绝经情况和组织学类型（图5）。单个患者的模型预测SHAP解释图提供了直观解释（图6），清晰展示该患者各特征值对模型预测结果的贡献方向与程度，最终达到其特定的预测结果。

2.5 临床应用

XGBoost模型预测的最佳截断值是0.248，依据模型构建线上子宫颈癌患者术后PNI发生风险预测器（https：//peripheralnerveinvasion.shinyapps.io/document/）。在外部数据集上，该模型具有良好的泛化能力和预测准确性，模型的预测结果与实际观测值高度一致（AUC为0.924，准确度为0.933），表明模型能够有效捕捉数据中的关键特征和规律。

3 讨论

除直接浸润周围组织、淋巴扩散和血道扩散3种实体瘤转移和侵袭途径外^［30］，近年来PNI在各种癌症中被观察到，并与不良预后相关^{［31， 32］}。对于宫颈癌而言，PNI的发生与否是临床手术方式选择的核心决定性因素，其在宫颈癌个体化诊疗决策中的指导作用至关重要。若术前提示肿瘤细胞已存在神经浸润倾向，临床可优先选择传统RH术式，彻底清除病灶及浸润神经的癌细胞，降低术后复发风险；反之，则可采用NSRH术式，在保证治疗效果的同时，保留盆腔自主神经，减少术后膀胱、性、结直肠功能障碍等并发症，改善患者术后生活质量。然而，目前尚无有效的血清标志物预测术前诊断为子宫颈癌的患者是否发生PNI，基于此，本研究构建了一个整合新颖的外周血免疫标志物与临床病理特征的宫颈癌PNI预测模型。本研究通过多中心数据集LASSO分析、多种机器学习算法建模和SHAP值解释分析明确了PNI相关特征变量（LVSI、间质浸润深度、LNM、CDB、肿瘤最大直径、癌胚抗原、SCC-Ag、PLR、NLR、LANR、绝经情况、年龄、组织学类型）和可解释性XGBoost预测模型，最终搭建了预测网站以便于在临床实践中应用。

术前LVSI、间质浸润深度、LNM和肿瘤最大直径是子宫颈癌患者的重要临床病理特征。研究显示，LVSI阳性、间质浸润深度较深、LNM阳性、肿瘤最大直径≥4 cm是PNI的高危因素^{［4， 31］}。LVSI阳性表明肿瘤细胞已穿透脉管壁，具备跨基底膜能力，可顺势侵袭神经鞘，导致PNI发生风险显著升高。宫颈深层间质神经丛密度高，当浸润深度超过间质1/3厚度时，肿瘤细胞接触神经束的概率提升，发生PNI风险提高。淋巴结转移证实肿瘤已获跨膜侵袭能力，患者在术中难以完全廓清，残留细胞沿神经鞘新生微环境定植，直接增高PNI风险。大体积肿瘤易出现中心缺血坏死，进而释放TNF-α、IL-6等炎症因子，破坏神经周围免疫微环境；同时，肿瘤体积扩大可直接压迫周围神经束，导致神经束膜完整性受损，为肿瘤细胞侵入提供通道^{［33， 34］}。虽然已有通过阴道镜穿刺活检对宫颈癌术前危险度分层来提高对PNI的预测能力，但是由于阴道镜图像评估、活检取样方法等受限于医生的经验和判断^［35］，因此，整合多特征构建预测模型成为提高PNI术前检出率的必然路径。

单一的生物标志物易受机体内外环境影响，并不能全面反映机体炎症免疫营养状态。因此，炎症免疫营养复合指标得到越来越多的关注。PLR是一种反映机体的复合炎症-凝血指标，NLR是一种反映肿瘤患者中性粒细胞性炎症与淋巴细胞免疫平衡的复合指标，LANR是一种同时反映肿瘤患者免疫与营养的复合指标。相关研究显示，PLR升高、NLR升高以及LANR降低会导致宫颈癌患者的不良预后^［36-38］。肿瘤微环境中的持续炎症反应会释放TNF-α、IL-6等促炎因子，一方面直接增强肿瘤细胞的侵袭性，另一方面抑制淋巴细胞介导的抗肿瘤免疫，使 T 细胞无法有效裂解试图侵袭神经的肿瘤细胞。与此同时，肿瘤进展与慢性炎症共同消耗机体营养储备，营养不足反过来进一步削弱免疫功能。形成“炎症—营养—免疫”的恶性循环，提高PNI发生的可能性。因此，将炎症免疫营养指标纳入模型，可以进一步提升了PNI预测的精准度，为手术方式的合理选择提供了更全面的参考，避免因单一指标预测偏差导致的手术决策失误。

目前临床针对宫颈癌患者PNI的影响因素判定，主要取决于患者是否合并中高危临床病理因素^{［4， 31］}，预测准确性有限，导致部分潜在高危PNI患者未能获得精准的风险分层，选择了NSRH术式，使患者因残留浸润神经的癌细胞而出现不良预后结局；同时，部分无PNI的低危患者误选RH术式，承受了不必要的神经损伤和术后并发症，以及经济负担。此类患者在传统评估预测结果中虽然处于预测的中低危范畴，但可能由于处于促炎微环境的激活状态，存在隐匿性的高危特征，从而导致预后不良^［38］。本研究基于经典临床病理参数和PLR、NLR、LANR构建的机器学习预测模型模型可以在一定程度上对宫颈癌患者进行更精细的风险分层，为个体化手术决策和预后管理提供可靠支撑——通过模型精准区分PNI阳性与阴性患者，指导临床医生针对性选择手术方式，避免盲目选择NSRH或RH术式带来的临床风险，充分体现了模型的临床决策支持价值。需说明的是，本研究验证集与训练集的年龄分布差异存在统计学意义（P<0.001），该差异并非研究缺陷，而是客观体现了外部验证队列的临床异质性，符合多中心研究的真实特征。而本模型在存在年龄基线差异的验证集中仍保持优异预测效能（AUC=0.924），证实其具备良好的稳健性与临床推广价值。

本研究仍存在一些局限性：首先，样本量有限。目前模型的数据主要来源于两家医院，这可能限制了模型的泛化能力，影响该模型在不同地区和人群中的适用性，未来可扩大样本量并与更多临床中心合作，收集更大规模的样本数据，以进一步验证模型的性能，减少样本量不足和选择偏倚造成的影响，使其能够更好地适应不同地区和人群的临床需求。其次，本研究是一项回顾性研究，易受研究者偏倚和回忆偏倚的影响，可能会影响结果的准确性，未来的研究可进行全面的前瞻性多中心临床研究。MRI可以清楚地显示宫颈的解剖结构和病变范围，包括大小、位置、形状、与周围组织的关系以及组织的微观结构和细胞密度^［39］。对于宫颈癌患者，MRI有助于提高识别高危周围神经侵犯患者的可能性。因此，基于人工智能技术提取大量图像信息进行有效集成，有望实现更全面、更准确的预测，这将是后续研究的重点。未来研究可对模型和工具进行进一步的改进和完善，使其更贴合临床实际需求，以更好地用于临床决策支持，为宫颈癌手术方式的精准选择提供更优质的辅助工具。

综上所述，本研究基于机器学习算法，结合LASSO回归筛选关键特征变量，构建并筛选出最优可解释性SHAP-XGBoost模型，同时开发了相应在线预测工具；通过SHAP值分析明确了各特征变量的预测贡献，增强了模型可解释性。该模型可术前精准预测子宫颈癌患者术后PNI发生风险，为宫颈癌NSRH与RH术式的合理选择提供科学可靠的辅助依据，有效平衡治疗效果与患者术后生活质量，提升诊疗决策的精准度与个体化水平，具有重要的临床转化价值及推广意义。

参考文献

[1] Ogasawara A, Hasegawa K. Recent advances in immunotherapy for cervical cancer[J]. Int J Clin Oncol, 2025, 30(3): 434-48. doi：10.1007/s10147-025-02699-0

[2] Bray F, Laversanne M, Sung H, et al. Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA Cancer J Clin, 2024, 74(3): 229-63. doi：10.3322/caac.21834

[3] Gallotta V, Conte C, Federico A, et al. Robotic versus laparoscopic radical hysterectomy in early cervical cancer: a case matched control study[J]. Eur J Surg Oncol, 2018, 44(6): 754-9. doi：10.1016/j.ejso.2018.01.092

[4] Li XY, Yang XJ, Lin SC, et al. Perineural invasion in cervical cancer[J]. Cancer Lett, 2025, 616: 217561. doi：10.1016/j.canlet.2025.217561

[5] Lee S, Bae J, Han M, et al. Efficacy of nerve-sparing radical hysterectomy vs. conventional radical hysterectomy in early-stage cervical cancer: a systematic review and meta-analysis[J]. Mol Clin Onc, 2019 12(2): 160-8.

[6] Ceccaroni M, Roviglione G, Malzoni M, et al. Total laparoscopic vs. conventional open abdominal nerve-sparing radical hysterectomy: clinical, surgical, oncological and functional outcomes in 301 patients with cervical cancer[J]. J Gynecol Oncol, 2021, 32: e10. doi：10.3802/jgo.2021.32.e10

[7] Santoro A, Angelico G, Travaglino A, et al. Prognostic role of perineural invasion in vulvar squamous cell carcinoma: a systematic review and meta-analysis[J]. Eur J Surg Oncol, 2022, 48(12): 2354-9. doi：10.1016/j.ejso.2022.06.031

[8] Ho C, Chien T, Huang S, et al. Multivariate analysis of the prognostic factors and outcomes in early cervical cancer patients undergoing radical hysterectomy[J]. Gynecol Oncol, 2004, 93(2): 458-64. doi：10.1016/j.ygyno.2004.01.026

[9] Qi ZC, Yuan H, Li QS, et al. An MRI-based fusion model for preoperative prediction of perineural invasion status in patients with intrahepatic cholangiocarcinoma[J]. World J Surg Oncol, 2025, 23(1): 164. doi：10.1186/s12957-025-03819-w

[10] Liu Z, Luo C, Chen X, et al. Noninvasive prediction of perineural invasion in intrahepatic cholangiocarcinoma by clinicoradiological features and computed tomography radiomics based on interpretable machine learning: a multicenter cohort study [J]. Int J Surg, 2024, 110(2): 1039-51. doi：10.1097/js9.0000000000001624

[11] Liu Y, Sun BJT, Zhang C, et al. Preoperative prediction of perineural invasion of rectal cancer based on a magnetic resonance imaging radiomics model: a dual-center study[J]. World J Gastroenterol, 2024, 30(16): 2233-48. doi：10.3748/wjg.v30.i16.2233

[12] Zhu Y, Zhang GN, Shi Y, et al. Perineural invasion in cervical cancer: pay attention to the indications of nerve-sparing radical hysterectomy[J]. Ann Transl Med, 2019, 7(9): 203. doi：10.21037/atm.2019.04.35

[13] Zhu Y, Zhang GN, Yang Y, et al. Perineural invasion in early-stage cervical cancer and its relevance following surgery[J]. Oncol Lett, 2018, 15(5): 6555-61. doi：info:doi/10.3892/ol.2018.8116

[14] Cho HC, Kim H, Cho HY, et al. Prognostic significance of perineural invasion in cervical cancer[J]. Int J Gynecol Pathol, 2013, 32(2): 228-33. doi：10.1097/pgp.0b013e318257df5f

[15] Memarzadeh S. Lymphovascular and perineural invasion in the parametria: a prognostic factor for early-stage cervical cancer[J]. Obstet Gynecol, 2003, 102(3): 612-9. doi：10.1016/s0029-7844(03)00569-6

[16] Horn LC, Meinel A, Fischer U, et al. Perineural invasion in carcinoma of the cervix uteri: prognostic impact[J]. J Cancer Res Clin Oncol, 2010, 136(10): 1557-62. doi：10.1007/s00432-010-0813-z

[17] Tang M, Liu QL, Yang XQ, et al. Perineural invasion as a prognostic risk factor in patients with early cervical cancer[J]. Oncol Lett, 2018: 1101-7. doi：10.3892/ol.2018.9674

[18] Skręt-Magierło J, Soja P, Skręt A, et al. Perineural space invasion in cervical cancer (FIGO IB1-IIB) accompanied by high-risk factors for recurrence[J]. J Can Res Ther, 2014, 10(4): 957. doi：10.4103/0973-1482.138126

[19] Chen XL, Duan H, Zhao HW, et al. Perineural invasion in cervical cancer: a multicenter retrospective study[J]. Eur J Surg Oncol, 2024, 50(6): 108313. doi：10.1016/j.ejso.2024.108313

[20] Wei WW, Wang HH, Zheng H, et al. Survival impacts of perineural invasion on patients under different radical hysterectomies due to early cervical cancer[J]. Front Oncol, 2022, 12: 889862. doi：10.3389/fonc.2022.889862

[21] Wan T, Cai GY, Gao SB, et al. Preoperative evaluation of perineural invasion in cervical cancer: development and independent validation of a novel predictive nomogram[J]. Front Oncol, 2021, 11: 774459. doi：10.3389/fonc.2021.774459

[22] Huang YN, Li JN, Li M, et al. Application of machine learning in predicting survival outcomes involving real-world data: a scoping review[J]. BMC Med Res Methodol, 2023, 23(1): 268. doi：10.1186/s12874-023-02078-1

[23] Obermeyer Z, Emanuel EJ. Predicting the future: big data, machine learning, and clinical medicine[J]. N Engl J Med, 2016, 375(13): 1216-9. doi：10.1056/nejmp1606181

[24] Elhaddad M, Hamam S. AI-driven clinical decision support systems: an ongoing pursuit of potential[J]. Cureus, 2024: 57728. doi：10.7759/cureus.57728

[25] 郭 曲, 许希中, 李卫民, 等. 系统性炎症指标预测早期宫颈癌淋巴结转移的列线图模型构建及评价 [J]. 现代妇产科进展, 2022, 31(12): 890-5.

[26] 管停宏, 龚春霞, 涂 袁, 等. 全身炎症反应指数联合临床病理参数预测宫颈癌复发的模型建立与验证 [J]. 陆军军医大学学报, 2025, 47(16): 1950-61.

[27] Skręt A, Skręt-Magierło JE, Książek M, et al. The diagnosis of perineural invasion: a crucial factor in novel algorithm of coexistence of conventional and nerve-sparing radical hysterectomy[J]. Diagnostics, 2021, 11(8): 1308. doi：10.3390/diagnostics11081308

[28] Shi RJ, Ke BW, Tang YL, et al. Perineural invasion: a potential driver of cancer-induced pain[J]. Biochem Pharmacol, 2023, 215: 115692. doi：10.1016/j.bcp.2023.115692

[29] Wan T, Tu H, Liu LL, et al. Perineural invasion should be regarded as an intermediate-risk factor for recurrence in surgically treated cervical cancer: a propensity score matching study[J]. Dis Markers, 2021, 2021: 1375123. doi：10.1155/2021/1375123

[30] Liebig C, Ayala G, Wilks JA, et al. Perineural invasion in cancer: a review of the literature[J]. Cancer, 2009, 115(15): 3379-91. doi：10.1002/cncr.24396

[31] Cai GY, Zhang SR, Gao SB, et al. What is the impact of perineural invasion on the prognosis of cervical cancer: a systematic review and meta-analysis[J]. BMC Cancer, 2025, 25(1): 491. doi：10.1186/s12885-025-13838-1

[32] Shaikh M, Shirodkar S, Doshi G. Unraveling the role of perineural invasion in cancer progression across multiple tumor types[J]. Med Oncol, 2025, 42(8): 283. doi：10.1007/s12032-025-02855-6

[33] Chen T, Zheng B, Yang P, et al. The incidence and prognosis value of perineural invasion in rectal carcinoma: from meta-analyses and real-world clinical pathological features[J]. Clin Oncol, 2023, 35(10): e611-21. doi：10.1016/j.clon.2023.05.008

[34] Bai LY, Yan LY, Guo YP, et al. Perineural invasion is a significant indicator of high malignant degree and poor prognosis in esophageal cancer: a systematic review and meta-analysis[J]. Front Oncol, 2022, 12: 816270. doi：10.3389/fonc.2022.816270

[35] Perkins RB, Wentzensen N, Guido RS, et al. Cervical cancer screening: a review[J]. Obstet Gynecol Surv, 2023, 78(12): 730-1. doi：10.1097/01.ogx.0001004660.29812.17

[36] Jonska-Gmyrek J, Gmyrek L, Zolciak-Siwinska A, et al. Pretreatment neutrophil to lymphocyte and platelet to lymphocyte ratios as predictive factors for the survival of cervical adenocarcinoma patients[J]. Cancer Manag Res, 2018, 10: 6029-38. doi：10.2147/cmar.s178745

[37] 许星月, 郭依琳, 王 璐, 等. 术前炎症免疫营养指标预测子宫颈癌淋巴结转移列线图模型构建及验证 [J]. 实用妇产科杂志, 2024, 40(8): 645-50.

[38] Zhu TY, Chen ZY, Zhang BC, et al. Prognostic value of platelet to lymphocyte ratio in patients with cervical cancer: an updated systematic review and meta-analysis[J]. World J Surg Oncol, 2025, 23(1): 187. doi：10.1186/s12957-025-03838-7

[39] Wang YP, Yu TH, Yang ZH, et al. Radiomics based on magnetic resonance imaging for preoperative prediction of lymph node metastasis in head and neck cancer: Machine learning study[J]. Head Neck, 2022, 44(12): 2786-95. doi：10.1002/hed.27189

基金资助

国家自然科学基金(81541149)

河北省青年科学基金(H2016209095)

RIGHTS & PERMISSIONS

版权所有©《南方医科大学学报》编辑部2021