尽管在新辅助化疗后病理学上达到完全缓解，仍可通过机器学习方法识别出高风险的三阴性乳腺癌患者

《npj Breast Cancer》：Machine learning-based identification of high-risk triple-negative breast cancer patients despite pathological complete response after neoadjuvant chemotherapy

【字体：大中小】 时间：2026年06月03日 来源：npj Breast Cancer 7.6

编辑推荐：

　　摘要三阴性乳腺癌（TNBC）患者在新辅助化疗（NAC）后的病理完全缓解（pCR）状态无法充分反映预后的风险异质性。因此，本研究旨在开发一种基于机器学习的生存模型，以预测接受NAC后pCR的TNBC患者的个体化总生存期（OS）。这项回顾性研究使用了2013年至2021年间诊断出的荷

摘要

三阴性乳腺癌（TNBC）患者在新辅助化疗（NAC）后的病理完全缓解（pCR）状态无法充分反映预后的风险异质性。因此，本研究旨在开发一种基于机器学习的生存模型，以预测接受NAC后pCR的TNBC患者的个体化总生存期（OS）。这项回顾性研究使用了2013年至2021年间诊断出的荷兰全国范围内的TNBC患者队列数据。我们通过嵌套5折交叉验证对数据进行了生存模型训练。根据预测的生存概率，患者被分为低风险组和高风险组。共有2642名患者在接受NAC后达到pCR，其中2620名患者被纳入最终分析。该生存模型具有良好的区分能力（C指数为0.754）。风险分层显示，高风险亚组（n=495，18.9%）的生存情况明显优于低风险组（5年OS分别为85.2%和96.7%，对数秩P<0.001）。治疗前的淋巴结状态（cN）是最强的预测因素，其次是年龄和临床肿瘤分期（cT）。这项全国性分析表明，达到pCR的TNBC患者仍是一个具有不同生存结果的异质性群体。基于机器学习的生存模型可以利用常规收集的临床变量进行个体化风险预测，并可能为尽管达到pCR的高风险TNBC患者提供术后治疗方案的调整建议。