基于机器学习的乳腺癌微乳头状癌术前淋巴结转移风险预测模型构建及网络计算器开发

针对乳腺癌微乳头状癌(IMPC)淋巴结转移(LNM)风险预测难题，潍坊市人民医院团队通过回顾性分析229例患者数据，采用13种机器学习算法构建预测模型。研究发现肿瘤大小、组织学分级、孕激素受体(PR)染色强度和淋巴管浸润(LVI)是独立预测因子，逻辑回归(LR)模型AUC达0.88，并开发了网络计算器(https://dynapp.shinyapps.io/IMPC_LNM/)，为个体化治疗决策提供新工具。

　　

乳腺癌微乳头状癌(IMPC)是一种特殊且具有高度侵袭性的乳腺癌亚型，虽然仅占所有乳腺癌病例的0.9%-8.4%，但其淋巴结转移率高达44%-85%，远高于普通浸润性导管癌。这种肿瘤独特的生物学行为给临床治疗决策带来巨大挑战——过度治疗可能导致不必要的淋巴水肿等并发症，而治疗不足又可能增加复发风险。目前临床缺乏精准的术前评估工具，现有预测模型多基于公共数据库且忽略关键病理指标，预测性能有限。

潍坊市人民医院的研究团队针对这一临床难题，开展了一项回顾性队列研究。研究纳入2019-2021年间229例IMPC患者数据，随机分为训练集(70%)和测试集(30%)。通过单因素和多因素逻辑回归分析确定独立预测因子后，研究人员创新性地比较了13种机器学习算法，最终开发出性能最优的预测模型，并构建了便于临床应用的网络计算器。

研究采用的关键技术方法包括：1)回顾性收集229例IMPC患者的临床病理资料；2)通过单因素和多因素逻辑回归分析筛选独立预测因子；3)比较13种机器学习算法(包括逻辑回归、支持向量机、随机森林等)的预测性能；4)采用受试者工作特征曲线下面积(AUC)、校准曲线和决策曲线分析评估模型性能；5)通过100次十折交叉验证进行内部验证；6)开发基于逻辑回归模型的网络计算器。

【研究结果】

背景与患者特征：
研究队列中LNM发生率高达69%(158/229)，证实了IMPC的高转移特性。训练集和测试集基线特征均衡，中位年龄51岁，中位肿瘤大小2cm，88.6%患者雌激素受体(ER)阳性，86.9%孕激素受体(PR)阳性。

预测因子识别：
单因素分析显示肿瘤大小、临床T分期(cT)、PR状态、PR染色强度、LVI和组织学分级与LNM显著相关。多因素分析最终确定四个独立预测因子：肿瘤大小(OR=1.45)、PR染色强度(OR=2.13)、LVI(OR=3.57)和组织学分级(OR=1.89)。

模型构建与评估：
在13种机器学习算法中，逻辑回归(LR)表现最佳，测试集AUC达0.88。模型显示出优秀的校准度，预测概率与实际观察结果高度一致。决策曲线分析表明在0.1-0.9的广泛阈值概率范围内，使用该模型都能带来显著的临床净获益。

验证与临床应用：
通过100次十折交叉验证，模型表现出稳定的判别性能，中位AUC为0.83(IQR:0.76-0.91)。基于最优临界值100.4分，模型分类准确率达76%(95%CI:70%-82%)，敏感性62%，特异性83%。为便于临床应用，研究团队开发了交互式网络计算器(https://dynapp.shinyapps.io/IMPC_LNM/)。

【结论与讨论】

这项研究具有重要的临床转化价值。首先，它首次将LVI纳入IMPC的LNM预测模型，填补了现有研究的空白。LVI作为肿瘤侵袭性的直接体现，其纳入显著提升了模型的预测效能。其次，研究发现PR染色强度而非简单的阳性表达状态才是更有价值的预测指标，这提示激素受体功能的精细评估对预后判断的重要性。

研究还澄清了关于分子亚型与LNM关系的争议。与常规乳腺癌不同，IMPC中分子亚型与LNM无显著关联，这可能与其独特的生物学特性有关。这一发现对临床实践具有指导意义，提示对IMPC患者应更关注其特殊的病理特征而非常规分子分型。

开发的网络计算器实现了预测模型向临床实践的快速转化，使医生能够在术前便捷地评估患者LNM风险，为手术方案选择提供客观依据。例如，对于高风险患者可考虑更彻底的腋窝淋巴结清扫，而低风险患者则可避免过度治疗。

研究的局限性包括单中心回顾性设计、缺乏外部验证队列、未考虑IMPC成分比例的影响等。未来需要通过多中心前瞻性研究进一步验证，并探索整合影像组学和基因组学特征以提升预测性能。

该研究为IMPC这一特殊乳腺癌亚型的精准诊疗提供了重要工具，其构建的预测模型和网络计算器有望改变临床实践，实现从"一刀切"到个体化治疗的转变，最终改善患者预后和生活质量。论文发表在《World Journal of Surgical Oncology》，为乳腺癌精准医疗领域贡献了重要证据。