基于病理组学与临床数据融合的机器学习模型预测乳腺癌腋窝淋巴结转移：一项双中心研究

这篇研究通过整合病理组学（Pathomics）特征和临床数据，开发了一种创新的列线图（Nomogram）模型，用于术前预测乳腺癌（BC）患者腋窝淋巴结转移（ALNM）。研究回顾性分析了407例患者的数字化H&E染色图像，采用LASSO回归和机器学习（ML）算法筛选出8个关键病理组学特征，结合雌激素受体（ER）、人表皮生长因子受体2（HER2）和肿瘤大小等临床指标，构建的模型在内部验证队列（IVC）和外部验证队列（EVC）中分别达到AUC 0.783和0.738，显著优于单一临床或病理组学模型。该研究为个性化治疗决策提供了可靠工具，凸显了人工智能在精准医疗中的潜力。

　　

1 引言

乳腺癌（BC）是全球女性最常见的恶性肿瘤之一，腋窝淋巴结（ALN）状态是评估预后和制定治疗方案的关键因素。传统评估方法如前哨淋巴结活检（SLNB）虽能减少并发症，但仍存在麻醉时间长、假阴性等问题。近年来，基于影像组学（Radiomics）的非侵入性预测方法取得一定进展，但其宏观视角难以捕捉肿瘤微环境（TME）的异质性。病理组学（Pathomics）通过分析数字化H&E染色切片，量化肿瘤微观特征，为ALN转移（ALNM）预测提供了新思路。本研究旨在开发一种融合病理组学与临床指标的列线图模型，以优化术前决策。

2 材料与方法

2.1 参与者

回顾性纳入两家医院的407例原发性BC患者，分为训练队列（TC，n=203）、内部验证队列（IVC，n=136）和外部验证队列（EVC，n=68）。纳入标准包括女性、I–III期浸润性BC且未接受新辅助治疗。ALN阳性定义为存在宏转移、微转移或孤立肿瘤细胞（ITCs）。

2.2 样本处理与ROI选择

粗针穿刺活检样本经H&E染色后数字化为全切片图像（WSIs）。两名病理学家独立选取7个无重叠的肿瘤细胞富集区域（1000×1000像素），排除组织褶皱区域。

2.3 病理组学特征提取

使用CellProfiler软件从H&E图像中提取1121个定量特征，包括颜色解构和纹理参数，最终计算每例患者的特征均值。

2.4 特征筛选与签名构建

通过Mann-Whitney U检验（p<0.05）和Spearman相关性分析（r>0.9剔除冗余特征）初筛后，采用LASSO回归进一步压缩至8个关键特征，并计算病理组学评分（Path-score）。

2.5 机器学习模型构建

基于逻辑回归（LR）、随机森林（RF）等6种算法，筛选AUC最优模型。单因素（ULR）和多因素逻辑回归（MLR）分析确认ER、HER2、肿瘤大小和Path-score为独立预测因子。

3 结果

3.1 临床与病理特征

患者中73.16% ER阳性，74.63% HER2阴性，84.07% Ki67≥14%。T2期肿瘤占比最高（67.55%）。队列间基线特征无显著差异（p>0.05）。

3.2 模型性能

LR模型在IVC中表现最佳（AUC=0.783），显著优于Path-score单因素模型（AUC=0.698，p=0.008558）。列线图在EVC中AUC达0.738，且决策曲线分析（DCA）显示其临床净获益更高。校准曲线证实预测概率与实际观测值高度一致（Hosmer-Lemeshow检验p>0.05）。

3.3 关键发现

Path-score与ALNM强相关（OR=7.374，p<0.001），ER阳性（OR=2.692）和HER2阴性（OR=0.383）亦为独立预测因子。开发的微信小程序“ALNET”可实时输入指标计算ALNM风险，提升临床易用性。

4 讨论

本研究首次将病理组学特征与常规临床指标结合，构建高精度ALNM预测工具。病理组学通过量化TME异质性，弥补了影像组学的局限性。尽管存在样本量有限、ROI手动标注耗时等不足，但模型在双中心验证中表现稳健，为精准外科决策提供了新依据。未来需扩大样本并探索自动化分割技术以优化流程。

5 结论

融合病理组学和临床指标的列线图模型可有效预测BC患者ALNM风险，其开源工具便于临床推广，为个体化治疗策略制定提供了可靠支持。