尧图网站建设 
胰岛素抵抗一直被认为和糖尿病、肥胖、心血管病有关也被怀疑参与癌症发生。但真正的问题是在几十万人级别的人群中如何在没有常规空腹胰岛素检测的情况下量化胰岛素抵抗并评估癌症风险这篇Nature Communications文章给出了一种很直接的做法用9个常规临床参数训练得到的机器学习指标AI-IR预测个体是否处于胰岛素抵抗状态再把这个指标放入UK Biobank长期随访数据中看它能否预测糖尿病、心血管事件和多癌种发生风险。这篇文章的关键问题不是“肥胖是否增加癌症风险”而是机器学习预测的胰岛素抵抗能否提供超越BMI、TyG和TG/HDL比值的风险分层信息。这篇的抓手AI-IR在UK Biobank中不仅更好预测糖尿病还与子宫、肾、食管、胰腺、结肠、乳腺等6类癌症显著相关并对另外6类癌症显示名义相关。文献信息项目内容标题Machine learning-predicted insulin resistance is a risk factor for 12 types of cancer中文理解本文将基于9个常规临床变量构建的机器学习胰岛素抵抗指标AI-IR应用于UK Biobank发现AI-IR不仅优于BMI、TyG和TG/HDL比值预测糖尿病还与多种癌症发生风险升高相关可用于人群层面的癌症风险分层。期刊Nat. Commun.发表时间2026-02-16研究方向医学AI、胰岛素抵抗、癌症流行病学、风险预测、UK Biobank核心资源/队列UK Biobank前瞻性人群队列NHS医疗记录联动AI-IR机器学习模型样本量/数据规模癌症主分析纳入372,395名基线无癌参与者其中51,193人在随访中发生癌症核心方法XGBoost预测胰岛素抵抗、Cox比例风险模型、Logistic回归、Kaplan-Meier分析、ROC/AUC比较、BMI校正分析DOI10.1038/s41467-026-68355-xPMID/PMCIDPMID: 41698886PMCID: PMC12910087数据/代码UK Biobank申请获取Source data随文提供AI-IR计算代码因专利未公开作者提供在线计算网站这篇文章解决了什么问题胰岛素抵抗通常可以用HOMA-IR评估但HOMA-IR需要空腹胰岛素和血糖。现实临床和大队列研究中空腹胰岛素并不是常规检测项目这使得“胰岛素抵抗是否增加癌症风险”很难在人群尺度上直接回答。作者此前开发了一个机器学习模型AI-IR用9个临床参数预测HOMA-IR是否大于2.5。这9个参数包括年龄、性别、种族、BMI、空腹血糖、糖化血红蛋白、甘油三酯、总胆固醇和HDL胆固醇。在本研究中作者把AI-IR应用到UK Biobank比较它与BMI、代谢综合征、TG/HDL比值和TyG指数在糖尿病和癌症风险分层中的表现。真正的创新点在于AI没有直接预测癌症而是先把一个难以常规测量的代谢状态“胰岛素抵抗”估计出来再用这个中间表型解释多癌种风险。文章摘要胰岛素抵抗被认为是糖尿病、心血管疾病和部分癌症的重要代谢基础但大型人群研究中缺少直接评估胰岛素抵抗的可行工具。本文将一种基于XGBoost机器学习模型的人工智能衍生胰岛素抵抗指标AI-IR应用于UK Biobank。AI-IR由9个常规临床参数计算而来用于预测HOMA-IR 2.5的胰岛素抵抗状态。结果显示AI-IR在预测糖尿病发生方面优于BMI、代谢综合征、TG/HDL比值和TyG指数。在癌症分析中作者纳入372,395名基线无癌参与者其中51,193人在随访中发生癌症。AI-IR与6类癌症发生风险显著升高相关包括子宫癌、肾癌、食管癌、胰腺癌、结肠癌和乳腺癌同时对肾盂癌、小肠癌、胃癌、肝和胆囊癌、白血病、支气管和肺癌显示名义相关。合并AI-IR相关风险升高癌种后AI-IR阳性个体的复合癌症风险升高年龄和性别校正HR为1.25。文章提示AI-IR可作为一种基于常规临床数据的代谢风险分层工具用于识别需要重点筛查的高风险人群。分析策略先验证AI-IR是否可靠在UK Biobank中比较AI-IR对糖尿病、心血管事件和死亡风险的预测能力。再与传统指标比较将AI-IR与BMI、代谢综合征、TG/HDL比值和TyG指数进行ROC和分层分析。再做癌症风险扫描在基线无癌人群中评估AI-IR与总体癌症及多种部位特异性癌症的关联。最后看临床分层价值分析AI-IR是否提供BMI依赖和BMI独立的信息并与现有代谢指标比较复合癌症风险预测能力。材料与方法模块内容研究队列UK Biobank2006-2010年招募入组年龄40-69岁联动NHS医疗记录AI-IR模型XGBoost模型预测HOMA-IR 2.5预测概率 0.5定义为AI-IR阳性输入变量年龄、性别、种族、BMI、空腹血糖、糖化血红蛋白、甘油三酯、总胆固醇、HDL胆固醇对照指标BMI、代谢综合征、TG/HDL比值、TyG指数糖尿病分析短期随访糖尿病发生、NHS住院记录中的糖尿病入院、ROC/AUC和分层OR比较癌症分析基线无癌参与者372,395人癌症类型和时间来自UK Biobank Data-Fields 40005和40006统计方法Logistic回归、Cox比例风险模型、Kaplan-Meier曲线、年龄/性别/BMI校正、Bonferroni多重检验校正数据与代码UK Biobank需申请Source data随文提供AI-IR计算代码因专利申请未公开计算网站为https://ai-ir.com.tw研究结果AI-IR阳性提示糖尿病、心血管事件和死亡风险更高作者首先验证AI-IR是否能在UK Biobank中捕捉胰岛素抵抗相关并发症。对于基线无糖尿病且完成随访的14,165名参与者平均随访4.28年309人发生糖尿病。AI-IR阳性个体发生糖尿病的风险显著升高OR为7.31。在基于NHS医疗记录的长期分析中AI-IR阳性个体因糖尿病入院的HR为6.44。这种关联在调整年龄、性别甚至进一步调整BMI后仍然存在说明AI-IR并不只是BMI的简单替代。此外AI-IR还与3-point MACE、4-point MACE、总体死亡和心血管死亡风险相关。也就是说AI-IR能够捕捉一个更广泛的代谢风险状态。AI-IR比传统指标更好预测糖尿病风险接下来作者比较AI-IR、BMI、代谢综合征、TG/HDL比值和TyG指数对糖尿病发生的预测能力。ROC分析显示AI-IR的AUC最高为0.798高于代谢综合征、BMI、TyG指数和TG/HDL比值。分层分析更能说明问题当BMI ≥30但AI-IR阴性时糖尿病发生风险并不显著升高相反AI-IR阳性即使不满足BMI肥胖阈值也能识别出更高风险人群。类似模式也出现在代谢综合征、TG/HDL比值和TyG指数比较中。这里的临床含义是AI-IR更像是在识别“代谢异常型风险”而不只是识别体重或血脂单项异常。AI-IR与6类癌症显著相关并提示另外6类癌症风险升高癌症主分析纳入372,395名基线无癌参与者其中256,685人为无糖尿病且AI-IR阴性94,782人为无糖尿病但AI-IR阳性20,928人为糖尿病患者。随访期间共有51,193人发生癌症。如果把所有癌症合并AI-IR与总体癌症发生没有明显差异。但拆分到具体癌种后模式非常清楚AI-IR与子宫癌、肾癌、食管癌、胰腺癌、结肠癌和乳腺癌风险显著升高相关。其中子宫癌风险最高HR为2.340肾癌HR为1.557食管癌HR为1.464。AI-IR还与肾盂癌、小肠癌、胃癌、肝和胆囊癌、白血病、支气管和肺癌呈名义相关。值得注意的是AI-IR与皮肤癌风险降低相关HR为0.852这提示不同癌种与代谢状态之间的关系并不完全一致。复合癌症风险升高并且部分独立于BMI作者将AI-IR相关风险升高的癌种合并为复合癌症终点。Kaplan-Meier分析显示无糖尿病但AI-IR阳性者的复合癌症累积发生率高于AI-IR阴性者。年龄和性别校正后AI-IR阳性对应复合癌症HR为1.25糖尿病患者HR为1.40。进一步加入BMI校正后AI-IR阳性的复合癌症HR仍为1.16说明AI-IR和癌症之间的关联并不完全由肥胖解释。作者估计AI-IR效应中约36%可由BMI解释其余部分可能代表BMI以外的代谢异常信息。对女性癌症而言AI-IR与子宫癌和乳腺癌的累积发生也呈现明显分层。这个结果提示AI-IR可能捕捉到高胰岛素血症、慢性炎症、脂质代谢异常等与激素相关癌症和代谢相关癌症共同相关的风险背景。AI-IR提高癌症风险分层能力最后作者检验AI-IR是否优于已有代谢指标进行癌症风险分层。与BMI相比AI-IR单阳性组的复合癌症风险显著高于BMI单阳性组BMI ≥30但AI-IR阴性的个体复合癌症风险并没有显著升高。与TyG指数比较时也类似AI-IR单阳性组复合癌症HR为1.23高于TyG单阳性组AI-IR和TyG双阳性组风险进一步升高。与代谢综合征和TG/HDL比值相比AI-IR的表现相近或具有增量分层价值。这说明AI-IR更适合被理解为一种“代谢风险综合读数”而不是单一肥胖或血脂指标的替代品。生信/AI/临床视角解读AI建模思路这篇文章的AI部分并不是直接拿机器学习去预测癌症而是先建立一个可解释的中间表型胰岛素抵抗。这个设计比“直接黑箱预测癌症发生”更容易被临床接受因为AI-IR对应的是明确的代谢病理过程。方法迁移如果迁移到其他慢病或肿瘤研究可以参考这条路线先用常规临床变量预测一个难以直接测量但有机制意义的状态例如炎症负荷、免疫衰老、肝脂肪变或肌少症再评估这个状态与疾病结局的关系。这样得到的模型更容易解释也更容易进入临床筛查流程。临床价值AI-IR最适合的应用场景不是替代癌症筛查而是帮助识别代谢异常背景下的高风险人群。例如在肥胖但AI-IR阴性、非肥胖但AI-IR阳性的人群中传统BMI可能会误分层而AI-IR能提供额外信息。注意边界这是一项大规模观察性研究结果说明AI-IR与多癌种风险相关但不能直接证明胰岛素抵抗导致癌症。模型输入包含种族变量作者也说明这里的race来自自报信息用于反映临床测量和医疗环境差异不应被解释为遗传祖源或生物决定因素。总结这篇文章把一个机器学习预测的胰岛素抵抗指标AI-IR放入UK Biobank长期随访框架中证明它不仅能更好预测糖尿病还能识别多种癌症风险升高的人群。对临床而言AI-IR的意义在于用常规指标推断隐藏的代谢风险对AI医学研究而言它展示了“先预测机制性中间表型再连接疾病结局”的更稳妥路径。真正有启发的是AI-IR不是把癌症风险预测包装成一个黑箱分数而是把胰岛素抵抗这个可理解的代谢状态转化为可用于糖尿病和癌症筛查分层的临床工具。参考文献Lee CL, Yamada T, Liu WJ, Hara K, Yamauchi T, Yanagimoto S, Hiraike Y. Machine learning-predicted insulin resistance is a risk factor for 12 types of cancer.Nat. Commun.2026;17:1396.Nature: https://www.nature.com/articles/s41467-026-68355-xPubMed: https://pubmed.ncbi.nlm.nih.gov/41698886/PMC: https://pmc.ncbi.nlm.nih.gov/articles/PMC12910087/DOI: https://doi.org/10.1038/s41467-026-68355-xAI-IR计算网站: https://ai-ir.com.twUK Biobank: http://www.ukbiobank.ac.uk Nat. Commun. | 机器学习预测胰岛素抵抗提示12类癌症风险升高
胰岛素抵抗一直被认为和糖尿病、肥胖、心血管病有关也被怀疑参与癌症发生。但真正的问题是在几十万人级别的人群中如何在没有常规空腹胰岛素检测的情况下量化胰岛素抵抗并评估癌症风险这篇Nature Communications文章给出了一种很直接的做法用9个常规临床参数训练得到的机器学习指标AI-IR预测个体是否处于胰岛素抵抗状态再把这个指标放入UK Biobank长期随访数据中看它能否预测糖尿病、心血管事件和多癌种发生风险。这篇文章的关键问题不是“肥胖是否增加癌症风险”而是机器学习预测的胰岛素抵抗能否提供超越BMI、TyG和TG/HDL比值的风险分层信息。这篇的抓手AI-IR在UK Biobank中不仅更好预测糖尿病还与子宫、肾、食管、胰腺、结肠、乳腺等6类癌症显著相关并对另外6类癌症显示名义相关。文献信息项目内容标题Machine learning-predicted insulin resistance is a risk factor for 12 types of cancer中文理解本文将基于9个常规临床变量构建的机器学习胰岛素抵抗指标AI-IR应用于UK Biobank发现AI-IR不仅优于BMI、TyG和TG/HDL比值预测糖尿病还与多种癌症发生风险升高相关可用于人群层面的癌症风险分层。期刊Nat. Commun.发表时间2026-02-16研究方向医学AI、胰岛素抵抗、癌症流行病学、风险预测、UK Biobank核心资源/队列UK Biobank前瞻性人群队列NHS医疗记录联动AI-IR机器学习模型样本量/数据规模癌症主分析纳入372,395名基线无癌参与者其中51,193人在随访中发生癌症核心方法XGBoost预测胰岛素抵抗、Cox比例风险模型、Logistic回归、Kaplan-Meier分析、ROC/AUC比较、BMI校正分析DOI10.1038/s41467-026-68355-xPMID/PMCIDPMID: 41698886PMCID: PMC12910087数据/代码UK Biobank申请获取Source data随文提供AI-IR计算代码因专利未公开作者提供在线计算网站这篇文章解决了什么问题胰岛素抵抗通常可以用HOMA-IR评估但HOMA-IR需要空腹胰岛素和血糖。现实临床和大队列研究中空腹胰岛素并不是常规检测项目这使得“胰岛素抵抗是否增加癌症风险”很难在人群尺度上直接回答。作者此前开发了一个机器学习模型AI-IR用9个临床参数预测HOMA-IR是否大于2.5。这9个参数包括年龄、性别、种族、BMI、空腹血糖、糖化血红蛋白、甘油三酯、总胆固醇和HDL胆固醇。在本研究中作者把AI-IR应用到UK Biobank比较它与BMI、代谢综合征、TG/HDL比值和TyG指数在糖尿病和癌症风险分层中的表现。真正的创新点在于AI没有直接预测癌症而是先把一个难以常规测量的代谢状态“胰岛素抵抗”估计出来再用这个中间表型解释多癌种风险。文章摘要胰岛素抵抗被认为是糖尿病、心血管疾病和部分癌症的重要代谢基础但大型人群研究中缺少直接评估胰岛素抵抗的可行工具。本文将一种基于XGBoost机器学习模型的人工智能衍生胰岛素抵抗指标AI-IR应用于UK Biobank。AI-IR由9个常规临床参数计算而来用于预测HOMA-IR 2.5的胰岛素抵抗状态。结果显示AI-IR在预测糖尿病发生方面优于BMI、代谢综合征、TG/HDL比值和TyG指数。在癌症分析中作者纳入372,395名基线无癌参与者其中51,193人在随访中发生癌症。AI-IR与6类癌症发生风险显著升高相关包括子宫癌、肾癌、食管癌、胰腺癌、结肠癌和乳腺癌同时对肾盂癌、小肠癌、胃癌、肝和胆囊癌、白血病、支气管和肺癌显示名义相关。合并AI-IR相关风险升高癌种后AI-IR阳性个体的复合癌症风险升高年龄和性别校正HR为1.25。文章提示AI-IR可作为一种基于常规临床数据的代谢风险分层工具用于识别需要重点筛查的高风险人群。分析策略先验证AI-IR是否可靠在UK Biobank中比较AI-IR对糖尿病、心血管事件和死亡风险的预测能力。再与传统指标比较将AI-IR与BMI、代谢综合征、TG/HDL比值和TyG指数进行ROC和分层分析。再做癌症风险扫描在基线无癌人群中评估AI-IR与总体癌症及多种部位特异性癌症的关联。最后看临床分层价值分析AI-IR是否提供BMI依赖和BMI独立的信息并与现有代谢指标比较复合癌症风险预测能力。材料与方法模块内容研究队列UK Biobank2006-2010年招募入组年龄40-69岁联动NHS医疗记录AI-IR模型XGBoost模型预测HOMA-IR 2.5预测概率 0.5定义为AI-IR阳性输入变量年龄、性别、种族、BMI、空腹血糖、糖化血红蛋白、甘油三酯、总胆固醇、HDL胆固醇对照指标BMI、代谢综合征、TG/HDL比值、TyG指数糖尿病分析短期随访糖尿病发生、NHS住院记录中的糖尿病入院、ROC/AUC和分层OR比较癌症分析基线无癌参与者372,395人癌症类型和时间来自UK Biobank Data-Fields 40005和40006统计方法Logistic回归、Cox比例风险模型、Kaplan-Meier曲线、年龄/性别/BMI校正、Bonferroni多重检验校正数据与代码UK Biobank需申请Source data随文提供AI-IR计算代码因专利申请未公开计算网站为https://ai-ir.com.tw研究结果AI-IR阳性提示糖尿病、心血管事件和死亡风险更高作者首先验证AI-IR是否能在UK Biobank中捕捉胰岛素抵抗相关并发症。对于基线无糖尿病且完成随访的14,165名参与者平均随访4.28年309人发生糖尿病。AI-IR阳性个体发生糖尿病的风险显著升高OR为7.31。在基于NHS医疗记录的长期分析中AI-IR阳性个体因糖尿病入院的HR为6.44。这种关联在调整年龄、性别甚至进一步调整BMI后仍然存在说明AI-IR并不只是BMI的简单替代。此外AI-IR还与3-point MACE、4-point MACE、总体死亡和心血管死亡风险相关。也就是说AI-IR能够捕捉一个更广泛的代谢风险状态。AI-IR比传统指标更好预测糖尿病风险接下来作者比较AI-IR、BMI、代谢综合征、TG/HDL比值和TyG指数对糖尿病发生的预测能力。ROC分析显示AI-IR的AUC最高为0.798高于代谢综合征、BMI、TyG指数和TG/HDL比值。分层分析更能说明问题当BMI ≥30但AI-IR阴性时糖尿病发生风险并不显著升高相反AI-IR阳性即使不满足BMI肥胖阈值也能识别出更高风险人群。类似模式也出现在代谢综合征、TG/HDL比值和TyG指数比较中。这里的临床含义是AI-IR更像是在识别“代谢异常型风险”而不只是识别体重或血脂单项异常。AI-IR与6类癌症显著相关并提示另外6类癌症风险升高癌症主分析纳入372,395名基线无癌参与者其中256,685人为无糖尿病且AI-IR阴性94,782人为无糖尿病但AI-IR阳性20,928人为糖尿病患者。随访期间共有51,193人发生癌症。如果把所有癌症合并AI-IR与总体癌症发生没有明显差异。但拆分到具体癌种后模式非常清楚AI-IR与子宫癌、肾癌、食管癌、胰腺癌、结肠癌和乳腺癌风险显著升高相关。其中子宫癌风险最高HR为2.340肾癌HR为1.557食管癌HR为1.464。AI-IR还与肾盂癌、小肠癌、胃癌、肝和胆囊癌、白血病、支气管和肺癌呈名义相关。值得注意的是AI-IR与皮肤癌风险降低相关HR为0.852这提示不同癌种与代谢状态之间的关系并不完全一致。复合癌症风险升高并且部分独立于BMI作者将AI-IR相关风险升高的癌种合并为复合癌症终点。Kaplan-Meier分析显示无糖尿病但AI-IR阳性者的复合癌症累积发生率高于AI-IR阴性者。年龄和性别校正后AI-IR阳性对应复合癌症HR为1.25糖尿病患者HR为1.40。进一步加入BMI校正后AI-IR阳性的复合癌症HR仍为1.16说明AI-IR和癌症之间的关联并不完全由肥胖解释。作者估计AI-IR效应中约36%可由BMI解释其余部分可能代表BMI以外的代谢异常信息。对女性癌症而言AI-IR与子宫癌和乳腺癌的累积发生也呈现明显分层。这个结果提示AI-IR可能捕捉到高胰岛素血症、慢性炎症、脂质代谢异常等与激素相关癌症和代谢相关癌症共同相关的风险背景。AI-IR提高癌症风险分层能力最后作者检验AI-IR是否优于已有代谢指标进行癌症风险分层。与BMI相比AI-IR单阳性组的复合癌症风险显著高于BMI单阳性组BMI ≥30但AI-IR阴性的个体复合癌症风险并没有显著升高。与TyG指数比较时也类似AI-IR单阳性组复合癌症HR为1.23高于TyG单阳性组AI-IR和TyG双阳性组风险进一步升高。与代谢综合征和TG/HDL比值相比AI-IR的表现相近或具有增量分层价值。这说明AI-IR更适合被理解为一种“代谢风险综合读数”而不是单一肥胖或血脂指标的替代品。生信/AI/临床视角解读AI建模思路这篇文章的AI部分并不是直接拿机器学习去预测癌症而是先建立一个可解释的中间表型胰岛素抵抗。这个设计比“直接黑箱预测癌症发生”更容易被临床接受因为AI-IR对应的是明确的代谢病理过程。方法迁移如果迁移到其他慢病或肿瘤研究可以参考这条路线先用常规临床变量预测一个难以直接测量但有机制意义的状态例如炎症负荷、免疫衰老、肝脂肪变或肌少症再评估这个状态与疾病结局的关系。这样得到的模型更容易解释也更容易进入临床筛查流程。临床价值AI-IR最适合的应用场景不是替代癌症筛查而是帮助识别代谢异常背景下的高风险人群。例如在肥胖但AI-IR阴性、非肥胖但AI-IR阳性的人群中传统BMI可能会误分层而AI-IR能提供额外信息。注意边界这是一项大规模观察性研究结果说明AI-IR与多癌种风险相关但不能直接证明胰岛素抵抗导致癌症。模型输入包含种族变量作者也说明这里的race来自自报信息用于反映临床测量和医疗环境差异不应被解释为遗传祖源或生物决定因素。总结这篇文章把一个机器学习预测的胰岛素抵抗指标AI-IR放入UK Biobank长期随访框架中证明它不仅能更好预测糖尿病还能识别多种癌症风险升高的人群。对临床而言AI-IR的意义在于用常规指标推断隐藏的代谢风险对AI医学研究而言它展示了“先预测机制性中间表型再连接疾病结局”的更稳妥路径。真正有启发的是AI-IR不是把癌症风险预测包装成一个黑箱分数而是把胰岛素抵抗这个可理解的代谢状态转化为可用于糖尿病和癌症筛查分层的临床工具。参考文献Lee CL, Yamada T, Liu WJ, Hara K, Yamauchi T, Yanagimoto S, Hiraike Y. Machine learning-predicted insulin resistance is a risk factor for 12 types of cancer.Nat. Commun.2026;17:1396.Nature: https://www.nature.com/articles/s41467-026-68355-xPubMed: https://pubmed.ncbi.nlm.nih.gov/41698886/PMC: https://pmc.ncbi.nlm.nih.gov/articles/PMC12910087/DOI: https://doi.org/10.1038/s41467-026-68355-xAI-IR计算网站: https://ai-ir.com.twUK Biobank: http://www.ukbiobank.ac.uk