多组学机器学习预测乳腺癌新辅助化疗疗效与复发风险：基于瘤内异质性影像标志物的整合分析

《BMEF (BME Frontiers)》：Multiomics Machine Learning to Predict Neoadjuvant Chemotherapy Outcome and Relapse of Breast Cancer

本研究针对乳腺癌新辅助化疗（NAC）疗效个体差异大、缺乏精准预测工具的临床难题，开发了一种融合临床病理指标与磁共振影像瘤内异质性（RadSITH）标志物的多组学（MO）整合模型。通过堆叠集成学习算法，该模型在124例患者队列中实现了病理完全缓解（pCR）预测的曲线下面积（AUC）达0.917，显著优于单一模态模型；同时构建的弹性网Cox模型对术后3年无病生存期（DFS）预测的C-index达0.78-0.81。研究成果为乳腺癌个体化治疗决策提供了可解释的AI驱动工具，凸显多组学融合在精准医学中的潜力。

　　

乳腺癌是全球女性发病率最高的恶性肿瘤，新辅助化疗（NAC）已成为局部晚期乳腺癌的标准治疗方案，旨在缩小肿瘤体积、提高保乳手术机会。然而，并非所有患者都能从NAC中获益：约26.6%的患者可实现病理完全缓解（pCR），而其余患者不仅承受无效治疗的经济负担，还可能延误有效治疗时机。瘤内异质性（ITH）是导致化疗耐药和预后差异的关键因素，但传统影像学方法难以量化这一特性。如何在新辅助化疗前精准预测pCR和复发风险，成为临床决策的痛点。

为破解这一难题，研究团队创新性地将多组学（MO）数据与堆叠集成学习相结合，开展了一项回顾性研究。论文发表于《BMEF (BME Frontiers)》，通过整合临床病理指标、分子分型及高分辨率动态磁共振成像（MRI）衍生的放射组学特征，构建了可同时预测NAC疗效和术后复发风险的智能模型。

研究的关键技术方法包括：首先，基于124例接受NAC的乳腺癌患者队列（来源：福建省肿瘤医院），从术前动态增强MRI中提取全肿瘤（RadS_ET）和瘤内异质性（RadS_ITH）放射组学特征；其次，利用灰度共生矩阵纹理参数划分肿瘤亚区，生成栖息地簇群标签图；最后，通过堆叠集成学习（融合逻辑回归、神经网络、XGBoost等7种基线算法）优化多组学整合模型，并采用5折交叉验证和置换检验评估过拟合风险。

基线患者特征

纳入的124例患者中，pCR组（33例）与非pCR组（91例）在HER2状态、Ki-67指数、分子分型及NAC方案等方面存在显著差异（P<0.05），而年龄、月经状态等基线特征无统计学差异（Table 1）。这提示分子分型与治疗反应密切相关，为模型构建提供了临床依据。

放射组学分析

通过逐步特征筛选，最终保留15个RadS_ET特征和7个RadS_ITH特征。模型比较显示，XGBoost构建的RadS_ITH模型对pCR预测的AUC达0.798，优于Na?ve Bayes构建的RadS_ET模型（AUC=0.770）（Fig. 1D-E）。瘤内异质性特征展现出更强的预测潜力。

多组学整合预测pCR

将RadS_ITH、RadS_ET、临床N分期和分子分型整合为多组学模型后，堆叠集成学习算法将pCR预测AUC提升至0.917（95% CI: 0.860-0.958），灵敏度与特异度分别达84.8%和91.2%（Fig. 2D）。SHAP分析揭示RadS_ITH为最重要预测因子（Fig. 2E），多变量逻辑回归进一步验证其独立预测价值（OR=22.9, P=0.005）。此外，基于神经网络的模型对RECIST疗效分层的AUC为0.824，可识别92.4%的NAC应答者（Fig. 3）。

多组学与术后复发的关联

中位随访3年内，13.6%的患者出现复发。弹性网Cox回归显示，术前模型（含MO预测pCR状态、RECIST反应和RadS_ITH）的C-index为0.78，术后模型（含病理分级、pCR状态、pT/pN分期）的C-index升至0.81（Fig. 4B）。Kaplan-Meier曲线证实基于多组学特征分层的患者生存差异显著（Fig. 4C）。

研究结论指出，融合瘤内异质性影像标志物的多组学整合策略，可显著提升乳腺癌NAC疗效和复发风险的预测精度。堆叠集成学习算法兼顾模型性能与可解释性，RadS_ITH作为独立预测因子，为量化肿瘤异质性提供了无创生物标志物。尽管存在单中心回顾性研究的局限性，该成果为开发个体化辅助决策系统奠定了方法学基础，推动影像组学向临床实践转化。未来需通过多中心前瞻性研究验证模型的普适性。