ENKTL具有显著的临床异质性，患者5年生存率差异极大，从不足10%到近90%不等。国际预后指数（IPI）、韩国预后指数（KPI）等传统模型虽已应用多年，但存在明显局限：仅依赖年龄、疾病分期等基础临床参数，未纳入Ki67增殖指数、EBV-DNA拷贝数等关键生物标志物。

近年来兴起的分子分型、ctDNA甲基化等技术虽能提升预后评估精度，但依赖下一代测序（NGS）等复杂技术，临床普及困难。因此，开发一种兼具精准性、实用性和时效性的预后工具，成为改善ENKTL诊疗效果的关键突破口。

黄雨华教授团队联合四川大学华西医院、四川省肿瘤医院等单位，开展了一项大规模多中心研究。研究纳入977例ENKTL患者，分为训练队列（450例）、内部验证队列（194例）和两个外部验证队列（分别为187例和146例），所有患者均接受当前标准的非蒽环类药物治疗方案。

团队通过严格的特征筛选，从14项临床病理指标中剔除了重要性不足的骨髓侵犯指标，最终纳入性别、年龄、EBV-DNA拷贝数、Ki67增殖指数等13项核心特征。在16种机器学习算法中，梯度提升机（GBM）表现最优，其构建的ENKTL-ML评分模型展现出卓越的预测效能：在内部验证队列和两个外部验证队列中的c-index分别达到0.82、0.84和0.83；5年AUROC分别为0.86、0.86和0.82，显著优于传统IPI（c-index=0.61）、KPI（c-index=0.64）等模型（所有P<0.001）。

值得注意的是，EBV-DNA拷贝数被证实是模型中最重要的预测因素，进一步印证了EB病毒在ENKTL发病机制中的核心作用。模型校准曲线显示，预测值与患者实际生存结局高度吻合，仅存在轻微低估倾向，临床可靠性良好。

该研究通过机器学习整合临床、病理和生物标志物数据，构建了更贴合当前诊疗实践的ENKTL预后模型，不仅提升了预后评估的精准度，也实现了对不同风险患者的精准分层与治疗指导。研究的多中心设计和外部验证保证了模型的普适性，在线工具则降低了临床应用门槛，有望成为全球ENKTL诊疗的实用工具。

中山大学肿瘤防治中心作为华南地区肿瘤防治的核心机构，始终致力于通过技术创新解决临床难题。ENKTL-ML评分模型的成功开发，彰显了中山大学肿瘤防治中心在淋巴瘤精准诊疗领域的领先地位，也为我国自主研发的临床预测工具走向国际奠定了坚实基础。未来将开展前瞻性研究以进一步验证模型效能，并探索整合基因组、转录组等多维度数据，提升预测精度，为ENKTL的精准治疗和新药研发提供更有力的支撑。