预测乳腺癌前哨淋巴结转移：基于 SEER 数据库的重要突破

为避免前哨淋巴结活检（SLNB）的侵入性弊端，研究人员基于 SEER 数据库构建预测模型，成果具临床参考价值。

　　# 乳腺癌前哨淋巴结转移预测新突破：开启精准医疗新篇章
在全球范围内，乳腺癌已然成为女性健康的 “头号杀手”，严重威胁着女性的生命与生活质量。在乳腺癌的诊疗过程中，腋窝淋巴结状态是评估病情和制定治疗方案的关键指标之一。前哨淋巴结活检（Sentinel lymph node biopsy，SLNB）作为临床上评估腋窝淋巴结状态的重要手段，自 20 世纪 90 年代问世以来，凭借其相较于腋窝淋巴结清扫术（Axillary lymph node dissection，ALND）能显著减少并发症的优势，成为了 cN0 期乳腺癌患者的标准手术流程。然而，SLNB 并非完美无缺，它依旧是一种具有一定侵入性的操作，术后可能出现疼痛、上肢肿胀、活动受限等并发症，给患者的生活质量带来负面影响。

与此同时，随着乳腺癌系统治疗手段的不断革新，如 HER2 靶向疗法、免疫疗法以及抗体 - 药物偶联物等的出现，使得部分患者对广泛的淋巴结手术的依赖逐渐降低。在这样的背景下，探索一种能够精准预测前哨淋巴结转移（Sentinel lymph node metastasis，SLNM）的方法，筛选出无需进行 SLNB 的低风险患者，成为了乳腺癌研究领域亟待解决的重要课题。

为攻克这一难题，中国人民解放军医学院、中国人民解放军总医院普通外科以及南开大学医学院的研究人员携手合作，基于美国监测、流行病学和最终结果（Surveillance, Epidemiology, and End Results，SEER）数据库展开了深入研究。他们的研究成果发表在《Clinical and Experimental Medicine》杂志上，为乳腺癌的精准诊疗提供了新的思路与方法。

研究方法

研究人员首先从 SEER 数据库中筛选出 2010 年 1 月至 2015 年 12 月期间的 117,895 例乳腺癌患者作为研究对象。这些患者需满足 1 - 5 个淋巴结检查、原发性乳腺癌、美国癌症联合委员会（American Joint Committee on Cancer，AJCC）第 7 版 T 分期为 T1 - T3 等条件，同时排除了双侧乳腺癌、新辅助治疗、组织学分级 IV 级等不符合要求的病例。

随后，研究人员运用 R 语言将患者随机分为训练队列（88,422 例）和验证队列（29,473 例）。通过卡方检验分析患者的基线信息，运用单因素和多因素逻辑回归筛选与 SLNM 相关的独立预测因素。在此基础上，构建预测 SLNM 的诺莫图（Nomogram）模型，并通过受试者工作特征曲线（Receiver operating characteristic curve，ROC）下面积（Area under curve，AUC）、校准曲线以及决策曲线分析（Decision curve analysis，DCA）对模型的性能进行评估。

研究结果

1. 患者特征与 SLNM 的关系：研究发现，年龄、种族、原发部位、T 分期、M 分期、组织学分级、病理类型、雌激素受体（Estrogen receptor，ER）状态和孕激素受体（Progesterone receptor，PR）状态是影响乳腺癌患者 SLNM 的独立预测因素。例如，年龄≥80 岁的患者 SLNM 率为 14.9%，高于 40 - 59 岁和 60 - 79 岁年龄组，但低于 < 40 岁年龄组；日本患者的 SLNM 率最低，黑人患者最高；肿瘤直径越大、M1 期患者、组织学分级越高、特定病理类型（如 IMPC）的患者，SLNM 率越高。
2. 诺莫图模型的性能评估：构建的诺莫图模型在训练队列和验证队列中的 AUC 值分别为 0.711 和 0.700，表明该模型具有良好的区分能力，能够有效区分前哨淋巴结的转移状态。校准曲线显示模型预测值与实际 SLNM 率具有良好的一致性，DCA 结果也证实了该模型在临床应用中的可靠性。
3. 病理类型的分组探索：研究人员对病理类型进行了科学分组，将其分为 7 个亚组，包括浸润性导管癌（Invasive ductal carcinoma，IDC）、浸润性小叶癌（Invasive lobular carcinoma，ILC）、IDC 混合 ILC、黏液癌、佩吉特病（Paget's disease）、浸润性微乳头状癌（Invasive micropapillary carcinoma，IMPC）和其他类型。其中，黏液癌的 SLNM 率最低，而佩吉特病和 IMPC 的 SLNM 风险较高。

研究结论与讨论

本研究成功构建了预测乳腺癌患者 SLNM 的诺莫图模型，该模型综合考虑了多个独立预测因素，为临床医生提供了更丰富的预测信息。通过该模型，能够对患者进行个性化的风险分层，识别出低风险患者，为其避免不必要的 SLNB 提供了重要依据，有望降低手术并发症的发生，改善患者的生活质量，这与全球手术降级的趋势相契合。

然而，研究也存在一定的局限性。例如，研究采用的 SLNB 患者定义方法可能存在偏差，无法完全准确匹配实际的 SLNB 人群；SEER 数据库中部分重要信息（如血管侵犯）的缺失，可能影响模型的准确性；模型在非西方人群中的外部验证尚未开展，其普适性有待进一步确认。

尽管如此，这项研究依然具有重要的意义。它为乳腺癌腋窝淋巴结的评估提供了新的工具和思路，为未来的研究奠定了基础。随着多组学数据（如基因组、放射组和临床病理组学）的不断整合以及人工智能技术在医学领域的广泛应用，相信乳腺癌的预测模型将更加精准，为乳腺癌患者带来更多的福音。未来，研究人员将进一步探索模型的优化和验证，致力于为乳腺癌患者提供更加精准、个性化的治疗方案，推动乳腺癌诊疗水平的不断提升。