基于深度学习的 HR+/HER2?早期乳腺癌预后模型：精准预测复发风险，助力优化治疗决策

《Scientific Reports》：Development and validation of a postoperative prognostic model for hormone receptor positive early stage breast cancer recurrence

研究人员为预测 HR+/HER2?早期乳腺癌复发风险，开发 HERPAI 模型，其性能良好，或可指导治疗。

　　

一、研究背景：乳腺癌治疗困境与挑战

乳腺癌是全球女性中极为常见的恶性肿瘤，其中激素受体阳性、人表皮生长因子受体 2 阴性（HR⁺/HER2^?）亚型占比颇高。尽管辅助内分泌治疗让 I-II 期 HR⁺/HER2^?乳腺癌患者的预后有所改善，但 20 年远处复发率仍超 10%。对于 II-III 期 HR⁺/HER2^?乳腺癌患者，使用细胞周期蛋白依赖性激酶 4 和 6（CDK4/6）抑制剂强化内分泌治疗，虽能改善侵袭性无病生存期（iDFS），但效果存在争议，而且相关试验常将 I 期患者排除在外，可这部分患者长期随访后复发率并不低，治疗需求未得到满足。

此前也有不少预后和预测模型，但大多基于 I-III 期乳腺癌患者开发，不一定适用于早期患者。像 Oncotype Dx 的复发评分（RS）和 MammaPrint 等基于基因的临床决策工具，在特定人群（如绝经后女性和老年人）中的预测性能欠佳，并且这些模型多以远处复发和总生存期（OS）为主要结局，对于早期患者不太适用，因为早期患者这类情况较少见，影响了模型在辅助治疗场景中的应用。因此，开发一个针对早期 HR⁺/HER2^?乳腺癌的强大预后模型迫在眉睫，其不仅能预测疾病复发的综合情况，还能指导辅助治疗。

二、研究概况：多中心研究开启新篇

为解决上述难题，上海交通大学医学院附属瑞金医院等四个独立医学中心的研究人员开展了一项回顾性队列研究。研究旨在开发并验证一个能利用常规临床和病理数据，预测早期（T1-2N0-1M0）HR⁺/HER2^?乳腺癌患者 iDFS 的预后模型，该研究成果发表在《Scientific Reports》上。

三、研究方法：多管齐下构建模型

1. 研究对象：筛选 2012 年 1 月 1 日至 2023 年 12 月 31 日期间，四个医学中心接受确定性手术、病理诊断为 T1-2N0-1M0 期的女性 HR⁺乳腺癌患者。排除 HER2 阳性、多病灶且免疫组化结果不可用、HR 阴性或 HER2 阳性亚型，以及术前接受过抗肿瘤治疗、同时患有其他恶性肿瘤（诊断时间间隔小于 5 年）和术后 30 天内死亡的患者。
2. 变量选取：基于临床实践和以往文献筛选候选预测因子，包括年龄、体重指数（BMI）、绝经状态等临床变量，以及组织学类型、组织学分级、雌激素受体（ER）表达等病理变量。
3. 模型构建：患者被分为推导队列（来自中心 1）和外部测试队列（来自其他三个中心）。推导队列又进一步分为训练验证队列（90%）和内部测试队列（10%）。利用链式方程多重填补法（MICE）处理缺失数据，基于 FT-Transformer 模型开发深度学习模型 HERPAI，并使用五折交叉验证策略进行训练和评估。同时构建 Cox 回归模型和 XGBoost 模型作对比。
4. 评估指标：使用 C 指数评估 HERPAI 在总体人群和亚组中的性能，计算 3 年和 5 年的时间依赖性受试者工作特征曲线下面积（AUC）、校准曲线和决策曲线分析（DCA）等，还确定了 HERPAI 评分筛选 5 年复发风险大于 10% 患者的阈值，估计高低风险组间的风险比（HR）。

四、研究结果：HERPAI 性能卓越

1. 患者特征：推导队列纳入 5424 例患者，外部测试队列纳入 916 例患者。经过中位随访，不同队列均观察到一定数量的 iDFS 事件。
2. 模型性能：HERPAI 在验证队列、内部测试队列和外部测试队列中的 C 指数分别为 0.73（95% CI 0.65 - 0.81）、0.73（95% CI 0.62 - 0.85）和 0.68（95% CI 0.60 - 0.77）。5 年 iDFS AUC 在各队列中也表现良好，且在所有队列中校准和 DCA 结果理想。在多个亚组中，HERPAI 也展现出稳定性能，例如在有无淋巴结转移、是否接受辅助化疗或放疗的亚组中。HERPAI 在预测 iDFS 方面优于 Cox 回归模型、XGBoost 模型及其他已知风险因素，还能较好地预测远处无病生存期（DDFS）和 OS。
3. 重新分类：约 25% 的参与者被重新分类为高风险患者。高风险组在各队列中的复发风险显著增加，5 年生存率降低。HERPAI 在不同亚组中的重新分类能力也得到验证，且与辅助化疗或放疗的使用无显著交互作用。

五、研究结论与意义：精准医疗的新希望

研究人员开发并验证了基于深度学习的 HERPAI 模型，其利用常规临床和病理数据，能有效预测早期 HR⁺/HER2^?乳腺癌患者的复发风险并进行风险分层。与其他模型相比，HERPAI 性能更优，尤其在识别无病理风险因素亚组中的高复发风险患者方面表现突出，为优化治疗策略提供了有力依据。虽然研究存在回顾性设计可能引入偏倚、随访时间有限等局限性，但 HERPAI 仍为筛选易复发的高风险患者带来新希望，在经过前瞻性验证后，有望在临床实践中指导辅助治疗，推动乳腺癌精准医疗的发展。