AI模型在50万人研究中揭示胰岛素抵抗与12种癌症风险相关
研究人员利用机器学习工具分析了50万名UK Biobank参与者数据，首次在群体规模上提供证据，表明胰岛素抵抗是12种癌症的风险因素。该模型基于常规体检的9项临床指标即可评估胰岛素抵抗，为识别高风险人群与开展针对性筛查提供了可扩展方案。
Researchers led by the University of Tokyo used a machine-learning model to show that insulin resistance is a risk factor for 12 types of cancer in a study of half a million UK Biobank participants, offering the first population-scale evidence of this long-suspected link. The findings were published in Nature Communications in a paper titled "Machine learning-predicted insulin resistance is a risk factor for 12 types of cancer."
胰岛素抵抗（insulin resistance）——即机体不能对胰岛素这种帮助控制血糖水平的激素作出适当反应——是2型糖尿病的基本病因之一，并与肥胖密切相关。除糖尿病外，胰岛素抵抗还被广泛认为可导致心血管、肾脏和肝脏疾病。尽管影响广泛，但胰岛素抵抗在临床环境中一直难以直接测量，这限制了研究人员对其全部后果的理解。
这一挑战促使东京大学医院（University of Tokyo Hospital）的研究人员Yuta Hiraike与东京大学（University of Tokyo）的同事转向人工智能。团队近期开发了一种名为AI-IR的机器学习工具，可利用常规体检中采集的9项标准临床测量指标来预测胰岛素抵抗。“我们最近制作了一个工具AI-IR，基于9种不同的医疗信息来预测个体的胰岛素抵抗，”Hiraike说。“事实证明它很成功，这让我们想到可以将该工具应用于相关问题。”
其中一个相关问题是癌症。尽管科学家长期以来怀疑胰岛素抵抗与某些癌症存在关联，但由于直接测量需要仅在高水平糖尿病专科门诊才具备的专门检测，因此获取大规模证据一直很困难。虽然有人提出胰岛素抵抗与癌症之间可能存在联系，但由于在临床上评估胰岛素抵抗的困难，大规模证据仍然有限。通过将AI-IR应用于50万名UK Biobank参与者，团队得以在群体层面估算胰岛素抵抗，并检验其与癌症发生率之间的关系。
“借助AI-IR，我们提供了首个群体规模证据，证明胰岛素抵抗是癌症的风险因素，”Hiraike说。他补充称，由于该模型依赖常规临床数据，“AI-IR可以很容易地用于识别高风险个体，并开展针对性筛查，以关注糖尿病、心血管疾病和癌症。”
该研究还强调了将体重指数（BMI）作为代谢健康替代指标的局限性。目前，人们常用BMI这一体脂衡量指标来预测个体的胰岛素抵抗及其继发的相关癌症易感性。但这种做法会出现假阳性——一些肥胖者被认为代谢健康，其所承受的肥胖不良影响程度并不如其他人——以及假阴性——一些BMI理想的人却出现胰岛素抵抗或通常与肥胖相关的其他问题。AI-IR将9项临床参数整合为单一指标，能够检出仅靠BMI无法解释的胰岛素抵抗。
Hiraike及其团队面临的部分挑战在于说服论文审稿人：AI-IR能够以可靠、可重复的方式克服这些不足。幸运的是，他们不仅展示了该工具的预测能力，也证明其在多种条件下具有稳健性。“在验证数据集中与直接测量的胰岛素抵抗相比，AI-IR表现出很强的预测性能，”Hiraike说。“除非患者在专门的糖尿病门诊接受治疗，否则直接测量胰岛素抵抗并不现实。AI-IR为在群体层面评估胰岛素抵抗提供了一种稳健且可扩展的替代方案。”
团队接下来计划探索遗传差异如何影响与胰岛素抵抗相关的癌症风险，并将大规模人群数据与分子生物学研究相结合。“我们正在努力理解个体间的遗传差异如何影响这种风险，并最终把大规模人群数据与分子生物学研究联系起来，以制定更好的策略来克服胰岛素抵抗，”Hiraike说。