《Nature Communications》：An international multi-centre study to develop and validate federated learning-based prognostic models for anal cancer
编辑推荐：
为应对精准肿瘤学在罕见癌症研究中面临的数据稀缺与隐私保护难题，国际atomCAT联盟以肛门癌为例，开展了一项联邦学习（FL）驱动的多中心研究。研究人员构建并验证了基于真实世界数据的联邦多变量Cox模型，结果表明该模型在保留中心数据和隐私的前提下，能够提供稳健的预后预测（c-index 0.68-0.79），为罕见癌症的国际协作研究提供了新范式。
在精准肿瘤学的时代，治疗的个性化依赖于对海量、高质量临床数据的深入分析。然而，对于像肛门癌这样的罕见癌症，单个医疗中心所能收集的患者样本数量有限，这使得构建可靠的统计模型变得异常困难。同时，由于严格的隐私法规（如GDPR、HIPAA等）和数据安全考量，跨机构、特别是跨国界的医疗数据共享面临着巨大的伦理与法律障碍。这种“数据孤岛”现象严重制约了罕见癌症研究的发展，临床医生和研究者们急需一种既能利用全球分散数据，又能保护患者隐私的协作研究新范式。为了解决这一核心矛盾，由国际atomCAT联盟牵头的研究团队进行了一项开创性的探索，并将研究成果发表在了《Nature Communications》上。
为了回答上述问题，研究人员设计并实施了一项国际多中心研究。他们巧妙地采用了联邦学习（Federated Learning, FL）这一新兴的人工智能技术框架。该技术的核心在于“模型动而数据不动”：研究人员将一个全局的预后预测模型发送到参与研究的各个医疗中心，各中心使用自己的本地数据对这个模型进行训练和更新，但原始患者数据始终保留在本地。之后，各中心只将模型参数的更新（而非数据本身）发送回中央服务器进行聚合，从而生成一个更强大的全局模型。这种方法在理论上实现了隐私保护与数据价值利用的平衡。研究团队利用此框架，构建了针对肛门癌患者的多变量Cox比例风险模型，旨在预测患者的整体生存期、局部区域控制情况以及无远处转移生存期。
本研究主要运用了联邦学习（FL）架构来协调多中心数据建模，核心方法是构建多变量Cox比例风险模型。研究队列来源于国际atomCAT联盟的16个中心，其中14个中心（1428名患者）的数据用于联邦训练，另外2个中心（277名患者）的数据用于独立的外部验证。模型性能通过留一中心交叉验证和外部验证进行评估，使用一致性指数（c-index）和校准曲线来衡量其区分度与校准度。
研究结果
联邦学习模型实现了稳健的跨中心验证
研究成功训练了基于14个中心1428名患者数据的联邦学习Cox模型。在严格的“留一中心出”交叉验证中，模型预测整体生存（Overall Survival, OS）的一致性指数（c-index）范围在0.68至0.79之间，显示了良好的且在不同数据分布中心间相对稳定的区分能力。更重要的是，当使用完全未参与训练的两个独立外部中心（277名患者）进行验证时，模型依然保持了相似的预测性能（c-index 0.73-0.75）。校准曲线分析也表明，模型的预测风险与实际观察到的风险具有良好的一致性。这一结果直接证明了联邦学习方法能够利用分散的真实世界数据，构建出泛化能力强的预后模型，且有效避免了因数据集中化而可能带来的隐私泄露风险。
确定了与肛门癌预后相关的关键临床因素
通过联邦学习模型，研究人员系统地评估了多种临床病理因素与预后的关联，得出了具有临床指导意义的发现：
- •
对于整体生存（OS）：较低的T分期（T stage）、无淋巴结转移（absence of nodal involvement）、较小的肿瘤体积（smaller tumour volume）、女性（female sex）、较年轻的年龄（younger age）以及基于丝裂霉素（mitomycin）或顺铂（cisplatin）的化学疗法与更好的总生存期相关。
- •
对于局部区域控制（Locoregional Control）：较低的T分期、较小的肿瘤体积以及女性性别是改善局部区域控制的独立有利因素。
- •
对于无远处转移生存（Freedom from Distant Metastases）：无淋巴结转移和较小的肿瘤体积与更高的无远处转移率显著相关。
这些发现不仅与以往的部分研究相互印证，更重要的是，它们是从一个跨越多个国家、更具代表性的罕见癌症患者队列中通过联邦学习得出的，因此证据等级更高，对临床实践的参考价值也更大。
讨论与结论
这项研究有力地证实了联邦学习在罕见癌症研究中的巨大潜力与应用价值。它成功地将“数据孤岛”连接起来，在不移动原始敏感数据的前提下，整合了国际多中心的真实世界数据，构建并验证了稳健的肛门癌预后预测模型。这标志着在严格遵守数据隐私法规（如GDPR）的同时，进行大规模国际临床研究是可行的。
本研究得出的具体预后因素（如肿瘤体积、T/N分期、性别等）为肛门癌患者的个体化预后评估和临床决策提供了更精确的工具。医生可以借助此类模型，更准确地识别高风险患者，从而调整治疗方案或加强随访。
最重要的是，该研究为整个生物医学研究领域，尤其是针对其他罕见病、遗传病或需要大规模敏感数据的研究，提供了一个可复制的技术范式。它表明，联邦学习能够作为支撑未来国际科研协作的关键基础设施，打破数据共享的壁垒，加速科学发现向临床应用的转化。正如论文结论所强调的，这项工作“支持了无需数据共享的国际合作”，为在保护个人隐私与促进公共健康研究之间取得平衡开辟了一条新路径。
