趙順 王樹萌 秦金鳳

乳腺癌的發(fā)生發(fā)展機制和治療方式研究雖然已取得了較大進展，但乳腺癌仍然是全球女性最常見的惡性腫瘤，每年約有210萬例新發(fā)病例，且大多數患者因轉移而死亡［1-2］。因此，早期有效檢測轉移復發(fā)是降低乳腺癌死亡率的關鍵。新輔助化療（neoadjuvant chemotherapy，NAC）是乳腺癌患者常用的治療策略，在無法手術情況下，能使腫瘤縮小并消除微轉移灶［3］。病理完全反應（pathological complete response，pCR）指NAC后乳腺或腋窩中無殘留腫瘤細胞，意味著患者長期存活且無復發(fā)［4］。目前，不管是從臨床實踐還是科學研究層面，多數情況下將pCR作為判定早期乳腺癌患者近期療效以及遠期生存獲益的替代指標，可以在較短時間內檢驗腫瘤對藥物的敏感性，以指導后續(xù)的個體化治療。既往研究顯示，檢測NAC反應有助于預測乳腺癌預后［5］。基于NAC后殘留腫瘤體積的殘留癌癥負荷評分在預測乳腺癌患者預后中也具有良好效能［6］。近年來，機器學習進一步提高了乳腺癌診斷的準確性，在預測復發(fā)和預后中也展現了應用前景［7-9］。本研究將基于乳腺癌患者臨床病理特征構建可用于預測乳腺癌患者NAC后的pCR的機器學習模型，以期為進一步提高其預測準確性提供新的途徑。

1 資料與方法

1.1 研究設計及對象

收集2015年1月至2020年12月在本院接受NAC治療和根治性手術的875例乳腺癌患者的臨床信息。納入標準：⑴病理確診為乳腺癌；⑵接受NAC治療；⑶行根治性手術；⑷年齡大于18歲。875例患者中排除113例，其中雙側同步乳腺癌55例，因患者拒絕接受根治性手術54例，手術病理結果不完整2例，NAC方案數據缺失2例。本研究經本院倫理委員會審核通過。本研究根據赫爾辛基宣言進行，并在設計和報告時遵循STROBE［10］和TRIPOD［11］報告指南。

1.2 預測特征

從本院電子病歷系統(tǒng)收集患者臨床和病理數據，包括年齡、體重指數（body mass index，BMI）、更年期狀態(tài)、吸煙狀態(tài)、診斷時合并癥情況、CEA水平、CA-15-3水平、病理類型、臨床分期、T分期、N分期、NAC方案、病理診斷信息以及雌激素受體（estrogen receptor，ER）狀態(tài)、孕激素受體（progesterone receptor，PR）狀態(tài)、HER2和Ki-67狀態(tài)等，其中臨床分期基于美國癌癥聯(lián)合會（AJCC）乳腺癌TNM分期系統(tǒng)第7版。通過IHC染色明確形態(tài)學診斷和受體狀態(tài)（ER、PR和HER2）。ER陽性和PR陽性被定義為Allred評分為3～8。激素受體（HR）陽性定義為ER或PR陽性。Ki-67免疫組化分析采用獨立半定量法評價，Ki-67結果分為4個等級：0～25%為1+；26%～50%為2+；51%～75%為3+；＞75%為4+。

1.3 特征工程

年齡、BMI、血清CEA水平和CA-15-3水平不作轉換，保持計量數據形式。更年期狀態(tài)分為絕經前或絕經后；吸煙狀態(tài)分為當前/曾經吸煙者或從不吸煙者；病理類型分為浸潤性導管癌（invasive ductal carcinoma，IDC）或非IDC。臨床分期分為Ⅰ期、Ⅱ期、Ⅲ期；T分期分為0～4期、N分期分為0～3期。Ki-67范圍介于+1和+4之間；ER、PR、HER2均為二分類變量，包括陽性或陰性?；煼桨副环譃檩飙h(huán)類化療（多柔比星+環(huán)磷酰胺，即AC方案）+紫杉烷（T）、曲妥珠單抗單藥化療、曲妥珠單抗+帕妥珠單抗治療、AC+T+Platinum、單獨AC方案化療以及其他方案等6類。選擇單因素差異有統(tǒng)計學意義的因素為預測特征，同時排除相關性較高的變量。

1.4 模型開發(fā)及統(tǒng)計學方法

采用R 4.1.1軟件進行數據分析和模型開發(fā)。計量資料采用均數±標準差描述，組間比較采用獨立樣本t檢驗，分類資料采用例數（百分比）描述，組間比較采用卡方檢驗或Fisher精確概率法。模型開發(fā)首先將數據按7∶3的比例隨機分為訓練集和驗證集。在訓練集中分別構建5個機器學習模型：Logistic回歸（LR）、人工神經網絡（artificial neural network，ANN）、簡單貝葉斯（naive bayes，NB）、隨機森林（random forest，RF）以及XGboost模型。模型訓練采用5折交叉驗證，重復抽樣次數為1 000次，使用貝葉斯優(yōu)化進行超參數調整。采用受試者工作特征（receiver operating characteristic，ROC）曲線下面積（AUC）、準確性、敏感度和特異度進行模型評價。選擇AUC最大的機器學習算法為最終模型，采用基尼指數評價特征的重要性。本研究所有的統(tǒng)計檢驗均為雙側，以P＜0.05為差異有統(tǒng)計學意義。

2 結果

2.1 一般資料

共742例患者納入分析，按照7∶3的比例分為訓練集和驗證集，其中訓練集533例，驗證集209例。兩組患者一般資料比較差異均無統(tǒng)計學意義（均P＞0.05），見表1。

表1 訓練集和驗證集的一般資料Tab.1 Baseline characteristics of training set and validation set

2.2 特征選擇

單因素分析顯示，年齡、CA-15-3水平、ER狀態(tài)、PR狀態(tài)、HER2狀態(tài)、Ki-67表達水平、臨床分期、T分期、N分期以及NAC方案等可能影響pCR（均P＜0.05），見表2。在這些因素中，由于臨床分期和N分期（r=0.93）高度相關，故排除臨床分期。因此，選擇年齡、CA-15-3、ER狀態(tài)、PR狀態(tài)、HER2狀態(tài)、Ki-67、T分期、N分期和NAC方案等特征進行后續(xù)建模。

表2 患者特征與NAC病理完全反應的單因素分析Tab.2 Univariable analysis between patient characteristics and pathological response to NAC

2.3 模型構建與評價

構建了ANN、LR、NB、RF和XGboost 5個模型，其中XGboost模型的性能最高，其在訓練集和驗證集中的AUC分別為0.850、0.834，見圖1和表3。因此，使用XGboost模型為本研究所構建的模型，詳細超參數見表4。采用基尼指數評級模型特征的重要性，特征的重要性依次為ER狀態(tài)、臨床T分期、化療方案、HER2狀態(tài)、臨床N分期、年齡、Ki-67、PR狀態(tài)和CA-15-3，見圖2。

表3 5個預測模型的評價指標Tab.3 Evaluation indicators of the 5 prediction models

表4 XGboost模型的超參數Tab.4 Hyper-parameters of XGboost model

圖1 5個預測模型的ROC曲線Fig.1 ROC curves for the 5 prediction models

圖2 XGboost模型中各臨床特征的重要性Fig.2 Feature importance in the XGboost model

3 討論

用于大數據分析的機器學習方法改變了傳統(tǒng)的腫瘤預測方式。作為人工智能的一個子集，機器學習提供了一種創(chuàng)新的數據分析和解釋方法，且在一定程度上超越了傳統(tǒng)統(tǒng)計學［12］。機器學習能自動處理大量多維和多種數據的能力，最終可能揭示臨床病理特征與pCR的新關聯(lián)。這種從大數據中整合新的預測因子的能力，也突出了機器學習在腫瘤醫(yī)學中的重要適用性。目前多項研究已顯示，機器學習算法在預測方面具有顯著優(yōu)勢［13-14］。本研究在接受NAC的乳腺癌患者中，基于患者的ER狀態(tài)、臨床T分期、化療方案、HER2狀態(tài)、臨床N分期、年齡、Ki-67、PR狀態(tài)和CA-15-3水平等特征構建的XGboost模型具有較高的預測效能，且具有不同權重的不同臨床特征均可影響pCR；該模型在訓練集和驗證集中的AUC分別為0.850、0.834，預測效能均優(yōu)于本研究構建的其余機器學習模型，為準確預測乳腺癌患者NAC后的pCR提供了一種實用的機器學習技術，也有助于制定乳腺癌NAC患者個體化的治療策略。

本研究發(fā)現CA-15-3是預測乳腺癌pCR的重要特征之一。目前美國臨床腫瘤學會（ASCO）雖然不推薦使用CEA和CA-15-3用于乳腺癌篩查、診斷或監(jiān)測治療，但認為CA-15-3在早期乳腺癌中對預后有重要意義［15］。目前較多研究報道了可用于預測NAC反應的生物標志物［16-18］。但是，這些生物標志物在真實世界實踐中預測pCR仍存在一定的挑戰(zhàn)，單個標志物的預測效能仍不理想。在本研究構建機器學習模型通過綜合乳腺癌患者臨床上常見多種的特征，具有以下優(yōu)勢：一是多指標聯(lián)合具有更好的預測效能；二是這些指標均為臨床常規(guī)指標，易于檢測和收集，因此具有良好的可操作性。本研究還顯示，化療方案在特征重要性中位列第3。無論哪種亞型乳腺癌，化療藥物都是影響NAC反應的重要因素。在乳腺癌患者化療療效分析中，既往研究發(fā)現，與單獨使用蒽環(huán)類藥物治療的患者相比，采用蒽環(huán)類聯(lián)合紫杉類藥物治療的患者具有更高的pCR率和更好的生存結局［19-20］。但是，在NAC方案中，盡管部分三陰性乳腺癌患者從一般治療中獲得了生存益處，但是額外的鉑類藥物是否有效仍然存在爭議［21］。而本研究納入了所有亞型的乳腺癌，表明構建的預測模型具有一定的普適性和推廣性，在指導NAC治療決策以及改善NAC化療方案方面具有重要的參考價值。

綜上所述，本研究使用年齡、CA-15-3、ER狀態(tài)、PR狀態(tài)、HER2狀態(tài)、Ki-67、T分期、N分期和NAC方案等開發(fā)的用于預測乳腺癌患者NAC后的pCR的機器學習模型XGboost具有良好的效能，為預測乳腺癌患者pCR提供了一種新的機器學習技術。但本研究尚未在外部隊列中對模型進行驗證，后續(xù)仍需開展前瞻性、多中心研究進一步驗證和優(yōu)化該模型。此外，對于機器學習而言，實時添加新發(fā)現的預測變量是可行的，雖然本研究是基于回顧性研究，但是未來仍可以添加新的變量實時更新或調整預測模型，相信隨著臨床醫(yī)師繼續(xù)通過電子病歷系統(tǒng)收集大量患者數據，機器學習將成為越來越重要的研究工具。