编辑推荐：
在 HR+/HER2 - 乳腺癌辅助治疗决策中，ROR/Prosigna 检测缺乏优化算法。瑞典研究人员开展利用机器学习优化患者检测预筛选的研究。结果显示模型提升风险分层准确性，减少检测需求。这为精准医疗提供依据，助力优化临床决策。
在乳腺癌的治疗领域，激素受体阳性、人表皮生长因子受体 2 阴性（HR+/HER2-）乳腺癌是一种常见的类型。对于这类患者，术后辅助化疗的决策至关重要，而基因表达谱（GEP）检测在其中发挥着关键作用。它能提供独立于临床或病理因素的预后信息，帮助医生判断哪些患者复发风险低，无需化疗，哪些患者需要化疗干预。然而，目前在 GEP 检测的应用中存在诸多问题。一方面，不同检测工具的使用、指示和解释缺乏标准化；另一方面，对于 ROR/Prosigna 检测，尚未有像针对 RS/Oncotype Dx 那样的优化检测算法，这使得患者检测的预筛选不够精准，可能导致过度治疗或治疗不足，同时也增加了医疗成本。
为了解决这些问题，瑞典多个地区的研究人员开展了一项重要研究。该研究成果发表在《The Breast》杂志上。研究人员从瑞典四个地区选取了 348 名绝经后 HR+/HER2 - 且淋巴结阴性的乳腺癌患者，这些患者均接受了 ROR/Prosigna 检测。
研究人员用到的主要关键技术方法包括：首先，基于简单的预后因素，如肿瘤大小、孕激素受体表达、分级和 Ki67，构建机器学习模型。在构建模型过程中，为了处理数据分布的问题，对大小和 Ki67 进行了对数变换和特征缩放。接着，使用逻辑回归（LR）、随机森林（RF）和极端梯度提升（XGB）模型进行训练，并通过 10 折交叉验证优化参数，最终构建平均集成模型提升性能。同时，将模型预测结果与当前临床风险评估工具进行对比分析。
研究结果如下：
- 模型开发与验证：构建的最终集成模型在训练队列和验证队列中表现出色，训练队列中受试者工作特征曲线下面积（AUC）达到 0.77，验证队列中为 0.83。与基于临床亚型替代定义的方法相比，模型能更准确地预测 ROR/Prosigna 检测结果，使整体一致性从 65.2% 提升到 71.8%。
- 临床影响：通过设置模型的高低风险分层截断值，与当前临床实践指南相比，模型提高了正确分类率（训练队列中 Cohen's kappa 从 0.41 提升到 0.61，验证队列中从 0.41 提升到 0.73），减少了需要进行 ROR/Prosigna 检测的患者比例（训练队列中从 60.9% 降至 51.8%，验证队列中从 60.9% 降至 54.2%），同时未增加治疗不足的情况。
- 风险分层方案比较：评估了五种不同的风险分类方法，发现现有风险分类要么导致大量患者治疗不足，要么需要对大量中间风险患者进行检测。而机器学习模型在减少治疗不足、治疗过度和检测需求方面表现最佳。
- 敏感性分析：以仅 ROR 高风险患者接受化疗为标准进行敏感性分析，模型依然表现良好，进一步降低了中间风险患者需要进行 GEP 检测的比例（训练队列中从 60.9% 降至 44.0%，验证队列中从 60.9% 降至 37.1%）。
研究结论和讨论部分指出，现有临床风险定义在识别不需要 ROR/Prosigna 检测的绝经后 HR+/HER2 - 且淋巴结阴性乳腺癌患者方面不够精确。而本研究中基于机器学习的简单模型表现优于这些传统风险定义。虽然该研究存在样本队列规模有限、缺乏非瑞典队列验证、随访时间短等局限性，但在进一步验证后，有望改善患者检测筛选，降低检测和过度治疗相关成本，为临床实践中 HR+/HER2 - 乳腺癌的治疗决策提供更精准的依据，推动乳腺癌精准医疗的发展。
