基于全切片图像的预后风险评分系统指导三阴性乳腺癌患者术后放疗决策

本研究针对三阴性乳腺癌(TNBC)患者术后放疗(PMRT)决策缺乏精准工具的临床难题，通过整合全切片图像(WSI)特征与临床病理参数，开发了XGBoost机器学习模型构建风险评分系统。该研究纳入790例患者队列验证显示，图像评分可独立预测5年无创生存期(iDFS)、总生存期(OS)和局部无复发生存期(LRFS)，集成风险评分曲线下面积(AUC)达0.957，显著优于传统临床指标。该成果为TNBC个体化放疗决策提供了新型数字化病理工具。

　　

三阴性乳腺癌(TNBC)因其缺乏雌激素受体(ER)、孕激素受体(PR)和人表皮生长因子受体2(HER2)表达，占乳腺癌病例的15-20%，具有侵袭性强、复发率高的特点。尽管术后放疗(PMRT)能改善局部控制和生存，但当前指南主要依据肿瘤大小(T分期)和淋巴结转移数量(N分期)进行决策，缺乏针对TNBC特异性的精准工具。更关键的是，约30%接受PMRT的患者可能无法获益却仍需承受放疗副作用和经济负担。这种临床困境呼唤能整合肿瘤生物学特征的新型预测工具。

为此，四川大学华西医院联合多学科团队在《Scientific Reports》发表创新研究，首次将全切片图像(WSI)分析技术与机器学习相结合，开发出可指导PMRT决策的风险评分系统。研究团队收集了608例华西医院(WCH)和182例TCGA数据库的TNBC患者数据，通过Sobel滤波器提取H&E染色WSI的细胞特征能量值，采用Mask R-CNN进行肿瘤细胞分割，最终筛选出255个影像特征变量。这些变量与临床参数通过XGBoost算法构建图像评分、临床病理评分及综合风险评分，并采用SHAP值解释模型特征重要性。

影像评分展现卓越预后价值

研究发现图像评分与不良预后显著相关，高风险患者5年OS风险比(HR)达9.60。多因素分析证实图像评分是独立于T/N分期的预后因子，其预测LRFS的效能(AUC=0.957)远超传统临床指标。

风险评分实现精准分层

通过Youden指数确定0.611为最佳截断值，将患者分为高低风险组。在WCH验证队列中，高风险组接受PMRT可显著改善OS(P=0.011)和LRFS(P=0.015)，而低风险组无显著获益。TCGA队列验证显示相似趋势，证实模型的泛化能力。

临床病理特征的补充价值

SHAP分析揭示N分期对评分贡献最大，其次为T分期和年龄。值得注意的是，90.17%高风险患者具有≥2个传统危险因素(年龄≤40岁、T2-4、N>1)，印证新模型与传统认知的生物学一致性。

这项研究突破性地将数字化病理与人工智能相结合，其风险评分系统较现有临床标准展现显著优势：预测效能方面，集成模型将LRFS预测AUC从0.870提升至0.957；临床转化方面，模型可直接嵌入医院病理系统实现实时分析；经济学方面，利用常规H&E切片实现零边际成本。研究为TNBC精准放疗决策提供了可解释、可操作的量化工具，未来通过多中心验证有望改写临床实践指南。局限性在于TCGA队列缺乏LRFS数据，且活检样本代表性可能受限，作者建议后续采用标准术后标本进行验证。