评估新辅助疗法对生存率的影响，并为适合接受保乳手术的乳腺癌患者开发个性化的机器学习生存预测模型

《MedComm – Future Medicine》：Evaluating the Survival Impact of Neoadjuvant Therapy and Development of Personalized Machine Learning Survival Predictive Model for Breast Cancer Patients Eligible for Breast-Conserving Surgery

本研究基于SEER数据库分析94,677例乳腺癌保乳手术（BCS）合格患者，发现新辅助治疗（NAT）仅在三阴性乳腺癌（TNBC）、ER-及IIA期患者中显著改善总体生存（OS），而HER2+亚组未显示生存益处。通过随机生存森林（RSF）和XGBoost算法开发了预测模型，C-index达0.743，SHAP分析显示年龄、分期和乳腺亚型为关键预测因子。模型显示8.9%的BCS患者可能受益于NAT，而90.8%的NAT-BCS患者可安全省略治疗，个性化决策显著改善生存

　　乳腺癌治疗中，术前新辅助治疗（NAT）对患者长期生存的影响一直是医学界关注的焦点。尽管NAT在某些情况下能够有效缩小肿瘤体积并提高保乳手术（BCS）的可行性，但对于已经符合BCS条件的患者，其是否能从中获得显著的生存益处尚不明确。一项基于美国国家癌症研究所（NCI）的SEER数据库的回顾性队列研究，分析了94,677例BCS适用患者的数据，其中包括8,565例接受了NAT治疗的患者。研究采用倾向评分匹配（PSM）方法，将两组患者进行1:1的匹配，最终得到5,734例匹配后的样本。结果显示，NAT对特定亚型和阶段的患者群体显示出显著的生存优势，而对其他亚型则未见明显益处。这项研究不仅揭示了NAT在乳腺癌患者中的作用边界，还开发了基于机器学习的预测模型，以指导个体化治疗决策。

在临床实践中，BCS与放射治疗结合已成为早期乳腺癌的标准治疗方案，能够提供与乳房切除术相当的生存效果，同时保留乳腺组织。然而，NAT的应用仍存在争议，特别是在那些已经符合BCS条件的患者中。虽然NAT可能有助于早期发现微转移并提供系统治疗，但延迟手术可能会导致疾病进展，从而影响治疗效果。因此，研究者希望通过分析不同亚型和阶段的患者，明确NAT的适用范围，并减少不必要的治疗。

研究发现，NAT对三阴性乳腺癌（TNBC）和雌激素受体阴性（ER-）患者，以及IIA期疾病患者具有显著的生存益处。然而，在HER2阳性患者中，尽管NAT反应率较高，但并未观察到生存率的改善。这一结果表明，对于HER2阳性乳腺癌患者，NAT可能并非普遍适用的治疗手段。此外，研究还指出，NAT在某些患者中甚至可能带来负面效果，特别是对于激素受体阳性（HR+）/HER2阴性亚型和某些特定阶段的患者。

为了更好地指导个体化治疗，研究者开发了两个基于机器学习的模型：一个用于预测BCS患者的5年总生存率（OS），另一个用于预测接受NAT后再进行BCS的患者。这两个模型使用了随机生存森林（RSF）算法，并通过SHAP分析增强了模型的可解释性。结果显示，模型在区分不同风险亚群方面表现良好，能够帮助医生更准确地评估患者的生存概率。此外，模型预测显示，只有约8.9%的BCS患者可能从NAT中获益，而90.8%的NAT-BCS患者可能可以安全地避免该治疗。这表明，对于大多数符合BCS条件的患者，NAT可能并非必要，从而有助于减少不必要的治疗负担。

在临床应用方面，研究者通过交叉分层分析，比较了两种模型在不同治疗路径下的预测效果。结果显示，对于某些患者，重新评估其风险状况后，可能需要调整治疗方案。例如，在BCS组中，有18.7%的患者被重新分类为低风险，从而可能受益于NAT的加入。然而，生存分析表明，这些患者在接受NAT后的生存情况并不优于原治疗方案，这提示医生在决定是否使用NAT时应更加谨慎。同样，在NAT-BCS组中，有9.2%的患者被重新评估为高风险，这可能意味着他们需要继续接受NAT治疗，而其他患者则可以考虑停用。

这一研究的发现具有重要的临床意义。它不仅揭示了NAT在不同亚型和阶段中的作用差异，还强调了个体化治疗的重要性。通过机器学习模型，医生可以更精准地识别哪些患者可能从NAT中获益，哪些患者则可以安全地避免。这种数据驱动的方法有助于优化治疗策略，减少不必要的系统治疗，同时确保对可能受益的患者提供足够的支持。

然而，研究也存在一定的局限性。SEER数据库缺乏详细的治疗方案信息，如具体的化疗方案和靶向治疗药物，这可能影响对NAT疗效的全面评估。此外，缺乏关键的生物标志物信息，如Ki-67表达和基因组风险评分，也限制了对患者预后的深入分析。尽管PSM方法在一定程度上减少了选择偏倚，但仍然无法完全消除未测量的混杂因素对结果的影响。因此，未来的研究需要进一步探讨不同分子亚型和临床特征的组合效应，并在更多样化的临床环境中进行前瞻性验证。

总体而言，这项研究为乳腺癌患者的个体化治疗提供了重要的参考。通过机器学习模型，医生可以更准确地预测患者的生存概率，并据此调整治疗策略。这不仅有助于提高治疗效果，还能够减少不必要的治疗，提高患者的生活质量。未来，随着分子诊断技术和影像学标志物的进一步发展，这些预测模型有望在临床实践中发挥更大的作用，推动乳腺癌治疗向更精准、更个性化的方向发展。