编辑推荐：
乳腺癌严重威胁女性健康，为探究影响其新辅助治疗结局的因素并构建预测模型，研究人员收集 2018 - 2022 年患者数据，经统计分析与机器学习算法构建模型。结果发现多个相关因素，模型准确率达 80% ，ROC - AUC 值为 0.83，有助于推动个性化治疗。
在现代医学领域，乳腺癌如同笼罩在女性健康天空的一片阴霾，挥之不去。它是女性群体中最为常见的恶性疾病之一，在发达国家更是频繁出现。想象一下，每八名女性中，就可能有一人在一生中遭遇乳腺癌的侵袭，这是多么令人揪心的数字。而且，近 20 年来，乳腺癌的发病率如同不断攀升的温度计，每年以约 0.3% 的速度增长。肥胖率上升、口服避孕药和激素替代疗法的使用增加、人均生育数减少，以及寿命延长、诊断工具进步和早期筛查项目增多等，都与乳腺癌发病率的变化有着千丝万缕的联系。尽管乳腺癌患者 5 年生存率可达 91% ，但它依然是女性癌症死亡的主要原因。
目前，乳腺癌的诊断和治疗规划依赖于多种肿瘤特征的判断。像肿瘤局灶性、组织学分级、核分级等，都是预测肿瘤行为的重要指标。先进的诊断技术，比如通过免疫组化确定免疫表型，能详细了解雌激素受体、孕激素受体以及 HER - 2 标记物的阳性情况，这些因素很大程度上决定了新辅助化疗的方案。此外，新一代的诊断和治疗手段涉及肿瘤基因分析，以及使用针对肿瘤基因组的药物，如 PARP 抑制剂和 PIK3K 抑制剂。然而，在乳腺癌的治疗过程中，如何精准预测新辅助治疗的效果，成为了亟待解决的难题。毕竟，不同患者对治疗的反应差异很大，若能提前知晓治疗效果，就能为患者制定更个性化的治疗方案，提高治疗效果，改善患者预后。
为了解决这一难题，来自萨格勒布大学医院中心（University Hospital Centre Zagreb）的研究人员开展了一项研究。他们收集了 2018 年 1 月至 2022 年 12 月在该医院接受乳腺癌新辅助治疗后进行手术的患者数据。通过深入分析，他们发现了多个与新辅助治疗结局相关的因素，并基于这些因素构建了一个预测模型。这一研究成果发表在《Current Problems in Cancer》上，为乳腺癌的治疗开辟了新的思路。
研究人员主要采用了以下关键技术方法：首先，收集患者队列数据，涵盖了接受新辅助治疗后手术的乳腺癌患者。接着，运用统计分析方法，包括 Spearman 相关系数、Mann - Whitney U 检验、单向 ANOVA 和 Kruskal - Wallis 检验，来确定患者和肿瘤特征与残余癌症负担（RCB）指数值之间的关联。最后，利用随机森林算法，基于筛选出的显著特征训练机器学习模型。
在研究结果方面，有多个重要发现。
- 患者特征与 RCB 指数的关系：通过统计分析发现，年龄、BMI 和既往恶性疾病史与 RCB 指数显著相关。年龄与 RCB 指数呈强正相关，意味着年龄越大的患者对新辅助治疗的反应越差。
- 肿瘤特征与 RCB 指数的关系：显著的肿瘤特征包括局灶性、核分级、免疫表型、雌激素受体、孕激素受体和 HER - 2 的阳性情况、Ki - 67 值以及淋巴血管侵犯的存在。
- 预测模型的性能：基于这些显著特征，研究人员创建了一个预测模型。该模型表现出色，准确率达到 80% ，受试者工作特征曲线下面积（ROC - AUC）值为 0.83。
研究结论表明，所发现的显著特征大多与已发表的文献相符。虽然该预测模型取得了不错的成果，但由于患者数量和数据可用性的限制，模型训练存在一定的局限性。不过，这一研究依然意义重大。它详细分析了各种患者和肿瘤特征对乳腺癌新辅助治疗的影响，为后续研究提供了重要参考。而且，该模型的建立为乳腺癌的个性化治疗提供了可能。通过这个模型，医生能够提前预测哪些患者会有完全病理缓解（pCR），哪些患者不会，进而针对不同患者制定更精准、更有效的治疗方案。对于预测结果较差的患者，可以采取更积极的治疗措施，有望改善患者的治疗效果和预后。同时，这也为进一步研究和创建更准确的预测模型奠定了基础，推动乳腺癌新辅助治疗向更加个性化、精准化的方向发展，在乳腺癌的治疗领域具有重要的应用价值和广阔的研究前景。
