《Oncology and Therapy》：Machine Learning-Guided Survival Prediction and Treatment Sequencing in Advanced Soft Tissue Sarcoma Beyond Second-Line Therapy: A Retrospective Cohort Study
编辑推荐：
摘要：引言——指导晚期软组织肉瘤（soft tissue sarcoma, STS）二线后全身治疗最优序贯安排的证据仍然有限。本研究旨在确定二线后治疗总生存期（overall survival, OS）的预后因素，并探索真实临床实践中的治疗序贯。方法——回顾性
摘要：引言——指导晚期软组织肉瘤（soft tissue sarcoma, STS）二线后全身治疗最优序贯安排的证据仍然有限。本研究旨在确定二线后治疗总生存期（overall survival, OS）的预后因素，并探索真实临床实践中的治疗序贯。方法——回顾性分析共90例接受三线或后续全身治疗的晚期STS患者。采用极端梯度提升（Extreme Gradient Boosting, XGBoost）识别1年OS的临床预测因子，最具影响力的变量随后纳入三线及四线治疗起始时OS的多变量Cox比例风险模型进行评估。序贯分析根据不同常用后线药物给药线数比较OS。结果——三线队列（n=88）中，二线治疗进展（hazard ratio [HR] 2.31, p=0.005）与较差OS独立相关；脂肪肉瘤/平滑肌肉瘤组织学亚型（lipo-/leiomyosarcoma histology, HR 0.37, p=0.002）及一线治疗至疾病进展时间≥12个月（HR 0.43, p=0.007）则与较好生存相关。四线队列（n=57）结果基本一致。序贯分析提示曲贝替定（trabectedin）在较后线仍具持续活性（p=0.023），帕唑帕尼（pazopanib）较早使用获益更大（p=0.022），吉西他滨+多西他赛联合治疗用药线数无显著影响（p=0.12）。结论——机器学习引导的变量筛选识别出二线后STS中具有临床意义的生存预测因子，既往治疗反应和组织学亚型强烈影响结局，探索性序贯分析提示不同全身治疗药物存在差异化的最佳用药时机效应。
本文解读基于发表于《Oncology and Therapy》的回顾性队列研究：Machine Learning-Guided Survival Prediction and Treatment Sequencing in Advanced Soft Tissue Sarcoma Beyond Second-Line Therapy: A Retrospective Cohort Study。
一、研究背景与立题依据
软组织肉瘤（soft tissue sarcoma, STS）是一组异质性极高的罕见恶性肿瘤，蒽环类为基础的一线化疗是标准方案，但多数患者终会进展至需接受二线及后线全身治疗。目前，指导晚期STS在二线以后（即三线及更后线）最优治疗序贯安排——即何种药物应尽早使用、何者可延后使用——的高等级循证医学证据十分匮乏，临床决策主要依赖组织学亚型和既往治疗暴露情况。虽已有帕唑帕尼（pazopanib）、曲贝替定（trabectedin）、吉西他滨（gemcitabine）+多西他赛（docetaxel）等在后线显示一定活性，但各药物在不同治疗线数使用是否影响长期生存尚不清楚，且缺乏能预测二线后生存的关键临床因素。为此，研究人员开展此项回顾性队列研究，应用机器学习（machine learning, ML）辅助变量筛选识别二线后OS的预后因素，并探索常用后线药物（trabectedin、pazopanib、gemcitabine+docetaxel）给药线数对生存的影响，以期为STS后线治疗决策提供参考框架。
二、主要关键技术方法概述
研究人员纳入德国慕尼黑LMU医院2021年1月至2025年12月期间接受至少三线全身治疗的经病理确诊晚期STS患者（n=90），提取临床、病理及治疗相关数据。采用极端梯度提升（eXtreme Gradient Boosting, XGBoost）分类模型以三线治疗开始后1年OS（≥12月 vs <12月）为主要终点进行变量重要性排序；将最重要变量纳入多变量Cox比例风险模型分别分析三线（n=88）及四线（n=57）治疗起始时OS的预后关联。为减少永恒时间偏倚（immortal-time bias），序贯分析仅纳入接受≥四线治疗的患者，按trabectedin、pazopanib及gemcitabine+docetaxel在各线（二线/三线/四线）使用情况分组，Kaplan–Meier法估算OS（自二线治疗起始计时）并行log-rank检验比较。
三、研究结果
Patient Characteristics（患者基线特征）
研究最终纳入90例患者，中位确诊年龄50岁（IQR 39–62），女性占54%；最常见组织学亚型为平滑肌肉瘤（leiomyosarcoma, 41%）、滑膜肉瘤（16%）、脂肪肉瘤（liposarcoma, 12%）。52%为高级别（G3），48%原发肿瘤位于内脏，69.4%为异时性转移。92%患者一线接受蒽环类方案。
Treatment Patterns（治疗模式）
一线以阿霉素+异环磷酰胺为主（62.2%）；后线最常用的三种药物为trabectedin、pazopanib和gemcitabine+docetaxel，其中trabectedin在二线（25.6%）和四线（27.6%）均有较高使用率，pazopanib在二线（较少）及三线（28.9%）多见，治疗选择从四线起明显趋于多样化。
Survival Outcomes（生存结果）
自三线治疗起始计算，中位OS为20.9个月（95% CI 16.4–25.0），中位无进展生存期（progression-free survival, PFS）为3.1个月（95% CI 2.8–5.0）；自四线治疗起始计算，中位OS降至10.8个月（95% CI 9.2–21.2），中位PFS为4.0个月（95% CI 2.6–5.1）。
Machine Learning-Guided Survival Modeling（机器学习引导的生存建模）
XGBoost模型预测1年OS的交叉验证AUC为0.69。变量重要性显示：二线治疗最佳总体疗效（达到部分缓解[partial response, PR]/疾病稳定[disease control/stable disease, SD] vs 疾病进展[progressive disease, PD]）为最强预测因子，其次为组织学亚型（脂肪肉瘤/平滑肌肉瘤[L-sarcoma] vs 其他）及一线治疗后至进展时间（time to progression, TTP≥12月 vs <12月）。多变量Cox回归证实：二线治疗未达SD（即PD）独立预示更差OS（三线HR 2.31, 95% CI 1.28–4.18, p=0.005；四线HR 2.06, 95% CI 1.03–4.09, p=0.040）；L-sarcoma组织学与更好生存相关（三线HR 0.37, 95% CI 0.20–0.70, p=0.002；四线HR 0.28, 95% CI 0.13–0.60, p=0.001）；一线TTP≥12个月亦为保护因素（三线HR 0.43, 95% CI 0.23–0.79, p=0.007；四线HR 0.52, 95% CI 0.25–1.06, p=0.074，边缘显著）。上述预后因素在三线与四线队列中效应方向一致。
Treatment Sequencing Analysis（治疗序贯分析）
限定可完成≥四线的患者进行分析发现：trabectedin在四线使用时OS最长，提示其在后线仍具持续活性（p=0.023）；pazopanib越早使用（尤指二线）生存曲线越优，后线使用获益递减（p=0.022）；gemcitabine+docetaxel在各线使用OS曲线重叠，用药线数对OS无显著影响（p=0.12）。
四、讨论与结论翻译
讨论指出，ML筛选出的关键预后因子（二线治疗反应、L-sarcoma组织学、一线TTP≥12月）符合已知临床认知，验证了XGBoost变量筛选的临床合理性，但因回顾性设计与样本量限制属探索性发现。序贯分析虽非随机对照，但提示trabectedin因作用机制独特、交叉耐药少可在后线保留活性；pazopanib抗血管生成作用在肿瘤负荷低、患者状态好时更早使用更佳；gemcitabine+docetaxel细胞毒作用相对不依赖特定通路，跨线疗效较稳定。研究局限包括回顾性选择偏倚、样本量不大及L-sarcoma和内脏/腹膜后STS占比偏高影响外推性。
结论翻译：本研究明确了晚期STS二线后治疗生存的具有临床意义的预后因素，且这些因素在后续各治疗线中保持稳定。与此同时，探索性序贯分析提示曲贝替定（trabectedin）在较后线仍具持续活性，帕唑帕尼（pazopanib）较早使用可能有潜在优势，吉西他滨+多西他赛联合治疗疗效与用药线数无关。上述发现可为这一挑战性临床场景下全身治疗序贯安排的进一步研究提供框架。
