机器学习预测模型降低新辅助化疗后临床淋巴结阳性乳腺癌前哨淋巴结活检假阴性率的临床价值

本研究针对临床淋巴结阳性(cN+)乳腺癌患者在新辅助化疗(NAC)后前哨淋巴结活检(SLNB)假阴性率高的问题，通过整合临床病理特征和腋窝超声特征，开发了多层感知器(MLP)机器学习模型。该模型能准确预测腋窝病理完全缓解(pCR)，将单示踪剂SLNB的假阴性率从22.2%显著降至1.4%，为优化患者选择提供了可靠工具。

　　

乳腺癌治疗领域面临着一个关键挑战：临床淋巴结阳性(cN+)患者在新辅助化疗(NAC)后，如何准确评估腋窝淋巴结状态以指导后续治疗。传统的前哨淋巴结活检(SLNB)存在较高假阴性率(FNR)，特别是使用单示踪剂时问题更为突出。这直接影响了手术方案选择，可能导致不必要的腋窝淋巴结清扫(ALND)或治疗不足。

福建医科大学附属协和医院乳腺外科的研究团队创新性地将机器学习(ML)技术引入这一临床难题。他们开发的多层感知器(MLP)预测模型，通过整合患者临床病理特征和动态变化的腋窝超声(AUS)特征，成功预测了新辅助化疗后的腋窝病理完全缓解(pCR)。这项重要研究成果发表在《The Breast》杂志上。

研究人员采用了多项关键技术方法：1) 回顾性收集614例cN+乳腺癌患者数据，分为训练集和验证集；2) 通过单因素和多因素logistic回归分析筛选预测因子；3) 比较六种机器学习算法性能；4) 在前瞻性队列(126例)中验证模型指导SLNB的临床价值。研究特别关注了腋窝超声特征，包括化疗前后淋巴结皮质增厚≥3mm等指标的变化。

研究结果显示：年龄、月经状态、NAC前cN分期、分子亚型、组织学分级、NAC后肿瘤缩小百分比以及化疗前后淋巴结皮质增厚≥3mm是腋窝pCR的独立预测因素。在六种机器学习模型中，MLP模型表现出最优的预测性能，训练集和验证集的AUC(曲线下面积)分别达到0.801和0.774。更重要的是，当应用该模型指导患者选择时，单示踪剂(仅用蓝染料)SLNB的假阴性率从22.2%显著降低至1.4%。

讨论部分强调了该研究的临床转化价值：首先，MLP模型通过整合常规临床和影像学参数，为资源有限地区提供了可靠的决策支持工具，特别是在无法使用双示踪剂的情况下。其次，动态监测化疗前后腋窝超声特征变化的方法，为评估治疗反应提供了新思路。最后，研究者开发了在线预测工具，便于临床推广应用。

这项研究突破了传统预测模型的局限性，通过机器学习算法处理复杂的非线性关系，显著提高了预测准确性。研究结果支持将该模型作为临床决策的辅助工具，有望优化cN+乳腺癌患者的手术方案选择，减少不必要的腋窝淋巴结清扫，改善患者生活质量。未来研究可进一步探索分子标志物与影像特征的整合，以持续提升预测性能。