乳腺癌是女性中最常見(jiàn)的癌癥，激素受體陽(yáng)性（HR+）/人表皮生長(cháng)因子受體 2 陰性（HER2−）乳腺癌是主要亞型，占據了乳腺癌的 65%-70%。
作為臨床關(guān)注的重點(diǎn)問(wèn)題，HR+/HER2− 乳腺癌的復發(fā)是一個(gè)持續的過(guò)程，其每年的遠端復發(fā)率保持在 1%。多達 20% 的 HR+/HER2− 乳腺癌患者因內分泌耐藥機制而出現復發(fā)性轉移。即使經(jīng)過(guò) 5 - 10 年的標準內分泌治療，復發(fā)仍持續不斷。因此，迫切需要預測 HR+/HER2− 乳腺癌患者復發(fā)的風(fēng)險。
2025 年 1 月 22 日，復旦大學(xué)附屬腫瘤醫院肖毅副研究員、邵志敏教授、江一舟教授等人在 Cell 子刊 Cell Reports Medicine 上發(fā)表了題為：Multimodal integration using a machine learning approach facilitates risk stratification in HR+/HER2- breast cancer 的研究論文。
該研究基于大樣本 HR+/HER2- 乳腺癌多組學(xué)隊列，整合基線(xiàn)臨床數據，多維度免疫組化、代謝組、病理組、轉錄組、基因組和拷貝數變異信息，構建了多模態(tài)機器學(xué)習預測模型——CIMPTGV，為精準預測 HR+/HER2- 乳腺癌復發(fā)風(fēng)險提供了創(chuàng )新性解決方案。
生物標志物發(fā)現、多組學(xué)技術(shù)和預后預測模型優(yōu)化方面的進(jìn)展，使得預測癌癥治療的耐藥性和復發(fā)風(fēng)險成為可能。基因表達譜分析，例如 Oncotype DX 檢測和 MammaPrint，為將乳腺癌患者分為低風(fēng)險和高風(fēng)險組提供了策略，并有助于識別早期 ER+ 乳腺癌患者中可能從化療中獲益的人群。
然而，這些預測標志物在某些情況下存在局限性，這種局限性在一定程度上歸因于主要依賴(lài)臨床病理或轉錄組學(xué)數據，這些數據無(wú)法全面捕捉癌癥的復雜性。
隨著(zhù)測序技術(shù)的進(jìn)步和成本的降低，包括基因組、轉錄組、蛋白質(zhì)組、代謝組和表觀(guān)基因組在內的多組學(xué)數據變得越來(lái)越容易獲取。此外，人工智能（AI）技術(shù)的出現促進(jìn)了來(lái)自多模態(tài)的數據的整合。
近年來(lái)，多模態(tài)機器學(xué)習已被用于治療效果預測、術(shù)后分層和預后評估，展現出其相當大的實(shí)用價(jià)值。多模態(tài)的整合能夠從各個(gè)方向全面了解腫瘤特征，而機器學(xué)習方法能夠將這些數據轉化為先進(jìn)的預后模型。然而，由于數據收集、隊列建立以及整合方法等方面的問(wèn)題，多種組學(xué)類(lèi)型的整合仍然具有挑戰性。其在乳腺癌中的應用也仍待進(jìn)一步探索。
在這項研究中，研究團隊利用包含 579 名 HR+/HER2- 乳腺癌患者的多組學(xué)信息的隊列，構建了一個(gè)機器學(xué)習框架，并生成了一個(gè)名為 CIMPTGV 的多模態(tài)模型，該模型整合了臨床信息（Clinical information）、免疫組化（Immunohistochemistry）、代謝組學(xué)（Metabolomics）、病理組學(xué)（Pathomics）、轉錄組學(xué)（Transcriptomics）、基因組學(xué)（Genomics）和拷貝數變異（Copy Number Variations），以預測 HR+/HER2- 乳腺癌的復發(fā)風(fēng)險。
CIMPTGV 模型在預測復發(fā)風(fēng)險方面表現出色，其在訓練集和測試集上的一致性指數（C指數）分別為 0.871 和 0.869。可準確預測74.2%的復發(fā)患者和85.8%的未復發(fā)患者。該模型的預測效果優(yōu)于常規臨床病理指標，且在不同臨床亞組間均可顯著(zhù)區分高低危復發(fā)風(fēng)險患者。值得注意的是，同源重組缺陷（HRD）評分與 CIMPTGV 風(fēng)險評分呈顯著(zhù)正相關(guān)。特征分析揭示了不同模態(tài)之間的協(xié)同效應和互補效應，這有助于 CIMPTGV 模型獲得較高的 C 指數。
為了促進(jìn)臨床應用，研究團隊還開(kāi)發(fā)了 CIMPTGV 模型的簡(jiǎn)化版，這種簡(jiǎn)化的模型在臨床環(huán)境中優(yōu)于常見(jiàn)的模態(tài)組合，平均曲線(xiàn)下面積（AUC）為 0.840，有望改善 HR+/HER2- 乳腺癌復發(fā)的預測，有助于識別高危患者，并通過(guò)個(gè)性化治療策略改善其預后。
該研究的亮點(diǎn)：
論文鏈接：
https://www.cell.com/cell-reports-medicine/fulltext/S2666-3791(24)00695-5
合作咨詢(xún)
肖女士
021-33392297
Kelly.Xiao@imsinoexpo.com
2006-2025 上海博華國際展覽有限公司版權所有（保留一切權利）
滬ICP備05034851號-57
