基于人工智能的数字化预后模型PreciseBreast在荷兰早期乳腺癌队列中的外部验证研究

本研究针对早期激素受体阳性/HER2阴性（HR+/HER2-）乳腺癌患者复发风险预测的临床需求，通过整合人工智能（AI）衍生的H&E切片形态学特征与临床病理数据，开发了数字化预后模型PreciseBreast（PDxBR）。在荷兰739例患者（中位随访8.8年）的外部验证中，PDxBR展现出0.71的AUC/C-index，显著优于传统临床模型（p<0.00001），并能将组织学2级肿瘤重新划分为明确的风险亚组。该研究为替代基因组检测的可扩展预后工具提供了循证依据。

　　

乳腺癌是全球女性最常见的恶性肿瘤，尽管早期诊断和治疗进步显著改善了生存率，但10-30%的激素受体阳性/HER2阴性（HR+/HER2-）患者仍面临长期复发风险。当前临床依赖的基因组检测（如MammaPrint）虽有效但成本高昂，而传统组织学分级又存在主观性强、2级肿瘤预后模糊等局限。如何建立可及性强、标准化的预后工具，成为临床亟待解决的难题。

为此，跨国研究团队在《Breast Cancer Research》发表了PreciseBreast（PDxBR）模型的里程碑式验证研究。这项工作创新性地将人工智能（AI）驱动的数字化病理分析与常规临床参数相结合，通过荷兰多中心739例早期乳腺癌患者（中位随访8.8年）的外部验证，证实该模型能突破现有技术瓶颈，为个体化治疗决策提供新范式。

研究采用三项关键技术：

1）全切片数字化扫描：使用Philips UltraFast扫描仪对H&E切片进行40倍分辨率数字化

2）多模态特征整合：算法融合7项AI衍生的形态学特征（包括腺管形成、核多形性等）与4项临床变量（年龄、肿瘤大小等）

3）前瞻性-回顾性队列设计：基于荷兰Albert Schweitzer医院病理库和癌症登记数据，纳入252例平行接受MammaPrint检测的亚组进行对比分析

【研究结果】

模型性能验证

PDxBR在外部队列中展现出与初始验证相当的预测效能（AUC/C-index 0.71 vs 原队列0.75），其风险阈值（≥58分）将患者分为低/高危组时，风险比达3.05（p<0.001）。值得注意的是，模型对远处转移的阴性预测值（NPV）达0.98，意味着低风险患者几乎无需担忧转移风险。

AI分级突破传统局限

针对临床最棘手的组织学2级肿瘤（占队列51.6%），PDxBR将其重新划分为46%低危和54%高危亚组，生存分析显示两组差异显著（p=0.00017）。AI模型通过量化腺体分化（贡献度29.1%）、核多形性（13.7%）等特征，解决了传统分级的主观性问题。

跨模型比较优势

PDxBR显著优于改良版MINDACT临床模型（AUC 0.71 vs 0.60，p<0.00001），且在MammaPrint亚组中识别出更多事件患者（PDxBR发现5/16例事件，MammaPrint仅发现6/16）。

生物学意义揭示

SHAP分析显示，腺体结构特征（如腺管形成）对预测贡献最大（20.7%），这与乳腺癌生物学中上皮-间质转化的重要性高度吻合。模型还捕捉到肿瘤微环境特征（如淋巴细胞浸润）的预后价值，为机制研究提供新方向。

【结论与展望】

这项研究确立了PDxBR作为基因组检测可行替代方案的地位，其独特价值体现在三方面：

1）标准化价值：通过AI量化解决组织学分级的主观变异，尤其改善2级肿瘤的风险区分

2）卫生经济学优势：仅需常规H&E切片即可实现精准分层，降低医疗系统负担

3）临床转化潜力：模型在长达8.8年随访中保持稳定预测力，适合纳入现有诊疗流程

Pieter J. Westenend等学者指出，未来需在前瞻性临床试验中验证PDxBR对治疗决策的指导价值。随着欧盟《通用数据保护条例》（GDPR）框架下多中心合作的推进，这种融合数字化病理与人工智能的创新范式，或将成为乳腺癌精准医疗的新标准。