利用人工智能进行转移性乳腺癌生存预测：一项范围综述

《Current Opinion in Supportive and Palliative Care》：Survival prediction in metastatic breast cancer using artificial intelligence: a scoping review

人工智能模型在乳腺癌转移性生存预测中的应用与挑战，通过分析15项研究显示不同算法和数据的性能差异，强调临床验证的重要性。

　　

摘要通俗语言总结

---

综述目的

准确预测转移性乳腺癌（MBC）患者的生存情况对于制定个性化治疗决策至关重要。本综述探讨了当前人工智能（AI）模型在MBC生存预测中的应用，并强调了这些模型在改善临床结果方面的作用。

最新研究进展

在筛选的1787条记录中，有15项研究符合纳入标准。这些研究采用了监督学习方法，包括随机生存森林（13.3%）、朴素贝叶斯分类器（13.3%）和逻辑回归模型（20.0%），用于预测总生存期、无进展生存期和治疗反应。输入数据种类繁多，涵盖了电子健康记录、临床数据、影像学信息和基因组特征。在纳入的研究中，66.7%涵盖了所有三种主要的乳腺癌亚型，20.0%专注于ER阳性HER2阴性的病例，13.3%未明确亚型。模型性能存在差异，敏感性范围为42%至90%，特异性范围为53%至90%，曲线下面积值介于0.70至0.85之间。

总结

AI模型在改善MBC生存预测方面展现出巨大潜力，为提供更加个性化的治疗提供了工具。然而，仍存在一些局限性，如数据质量不稳定、模型性能不佳以及缺乏外部验证。未来的研究应重点优化模型并通过严格的验证确保其临床适用性。

通俗语言总结 本综述研究了人工智能（AI）模型如何用于预测转移性乳腺癌（MBC）患者的生存情况，旨在提升个性化治疗效果。在筛选的1787条记录中，有15项研究符合纳入标准，采用了随机生存森林、朴素贝叶斯分类器和逻辑回归等方法，利用电子健康记录、临床数据、影像学信息和基因组特征等多种数据源来预测总生存期、无进展生存期和治疗反应。尽管AI模型具有潜力，但其性能存在差异，敏感性介于42%至90%之间，特异性介于53%至90%之间。面临的挑战包括数据质量不稳定和缺乏外部验证，这表明需要进一步优化和验证以提升其临床应用价值。