基于基线临床病理特征的机器学习模型预测乳腺癌新辅助化疗病理完全缓解的临床价值研究

时间：2025年9月9日

来源：Cancer Medicine

编辑推荐：

这篇研究通过机器学习（ML）算法构建了预测乳腺癌（BC）新辅助化疗（NAC）后病理完全缓解（pCR）的模型，整合了年龄、HER2状态、基质肿瘤浸润淋巴细胞（sTILs）等12项基线特征。CatBoost模型表现最优（AUC=0.853），SHAP分析揭示sTILs为关键预测因子，为个体化治疗策略提供了可解释的决策工具。

摘要

研究聚焦乳腺癌（BC）新辅助化疗（NAC）后病理完全缓解（pCR）的预测，通过机器学习（ML）整合基线临床病理特征，构建高精度模型。pCR是BC患者生存的重要预后指标，但现有模型依赖简单影像特征且解释性不足。本研究旨在开发兼具高预测性能和临床可解释性的ML工具。

方法

回顾性纳入浙江省人民医院2014-2028年接受NAC的303例BC患者（pCR率29.37%），随机分为训练集（70%）和验证集（30%）。通过LASSO回归筛选出12项关键特征，包括年龄、绝经状态、HER2、Ki-67和基质肿瘤浸润淋巴细胞（sTILs）等。采用XGBoost、LightGBM、CatBoost等6种ML算法建模，以AUC、准确率等指标评估性能，并利用SHAP（SHapley Additive exPlanation）框架解析模型。

结果

CatBoost模型表现最优，测试集AUC达0.853，显著优于其他模型（如SVM AUC=0.733）。SHAP分析显示，sTILs贡献度最高（SHAP值0.83），其次为HER2状态和年龄。五折交叉验证中，含sTILs的模型平均AUC为0.83，剔除后降至0.70，证实其核心预测价值。决策曲线分析（DCA）表明，CatBoost在临床阈值概率50%时净获益最大。

讨论

研究创新性引入sTILs作为微环境标志物，弥补了既往模型依赖影像特征的局限。sTILs高表达（阈值17.5%）与pCR正相关，可能与免疫微环境增强化疗敏感性有关。HER2强阳性、Ki-67高表达亦促进pCR，而高龄、高红细胞分布宽度（RDW）和大肿瘤尺寸则负向影响。模型校准曲线紧贴对角线，预测概率与实际结果高度一致。