面向乳腺癌复发预测的机制学习框架：Seed–Speed–Soil动力学映射与METABRIC队列验证

《Mathematical Biosciences》：A Mechanistic Learning Framework for Breast Cancer Relapse Prediction

　　

乳腺癌复发（breast cancer recurrence）被认为至少部分源自播散性肿瘤细胞（disseminated tumour cells, DTCs），这些细胞可能在手术前或手术期间播种于远处器官，以休眠状态持续数年至数十年，并最终恢复增殖形成临床可检测的转移。标准生存模型以统计学方式处理这一过程，未参考潜在生物学动力学；尽管人工智能（artificial intelligence, AI）提高了预测准确性，其“黑箱”性质限制了临床可解释性。在此，研究人员提出一种机制学习（mechanistic learning）方法，将常规组织病理学（histopathological）数据与肿瘤生长数学模型相关联。三个模块化桶（bucket）将临床可观测变量分配给潜在动力学参数：Seed（初始转移负荷）、Speed（有效增殖率）和Soil（肿瘤微环境容许性），其分配由作者团队内病理学专业知识指导。在METABRIC队列（1,814例患者，737例复发）中，研究人员用肿瘤大小和淋巴结计数实现Seed，用组织学分级以及雌激素受体（oestrogen receptor, ER）、人表皮生长因子受体2（human epidermal growth factor receptor 2, HER2）和孕激素受体（progesterone receptor, PR）状态实现Speed。Soil设计用于基质肿瘤浸润淋巴细胞（tumour-infiltrating lymphocyte, TIL）评分和PD-L1表达，而该队列未记录这些变量。同一数据上的特征选择实验考察了肿瘤细胞密度、年龄和基于RNA的免疫代理指标作为候选Soil变量，但该桶保留给直接记录这些变量的数据集。该模型估计患者层面的初始DTC负荷以及协变量相关的增殖率偏差，这些量进入指数生长模型以产生患者特异性预测复发时间。将模型锚定到基于文献的参考表型可确保参数可识别性，并固定这些量的绝对尺度。淋巴结受累与初始转移负荷之间的饱和（对数）联系使99.8%患者的预测复发时间为正；作为敏感性分析考察的有界联系则使所有患者均为正。用考虑删失的损失（censoring-aware loss）拟合，并通过该队列内部五折交叉验证评估，该模型达到一致性指数（concordance index, C-index；衡量预测复发时间对观测生存时间排序优劣的指标）0.654，与多变量Cox比例风险（proportional-hazards）基线相当，而每个预测可分解为初始肿瘤负荷和增殖率，并可追溯到常规组织病理学测量。这一概念验证为未来多中心数学肿瘤学研究提供了模块化基础。

乳腺癌复发（breast cancer recurrence）仍是全球女性癌症相关死亡的主要原因之一，其临床管理因分子和组织病理学层面的显著异质性而复杂。原发肿瘤通常依据ER、PR和HER2表达状态分层，不同亚型具有不同自然史和治疗敏感性。组织病理学特征，包括肿瘤分级、淋巴结受累和作为抗肿瘤免疫活动代理的肿瘤浸润淋巴细胞（tumour-infiltrating lymphocytes, TILs）密度，提供反映肿瘤细胞与微环境相互作用的预后信息。远处转移复发被认为部分源自播散性肿瘤细胞（disseminated tumour cells, DTCs），这些细胞可在手术前或手术中播种远处器官，休眠数年后恢复增殖，尤其在ER阳性（luminal-like）乳腺癌中常见，仍是乳腺癌疾病相关死亡的主要原因。从休眠到显性转移的机制尚未完全理解，其临床后果跨越不同时间尺度。传统统计预测包括Cox比例风险（Cox proportional-hazards, Cox PH）模型、Nottingham Prognostic Index和PREDICT等工具，Kaplan–Meier曲线用于可视化事件时间分布。多基因表达分类器如OncotypeDX、MammaPrint和PAM50复发评分扩展了预后词汇，但它们仍是统计上生物学不可知的风险模型，不编码肿瘤进展动力学，签名基因功能及对肿瘤特征的影响仍不清楚。机器学习和深度学习引入数据驱动预后工具，可从H&E全切片图像提取形态学特征，并与临床和分子元数据整合；基于基因组和转录组的方法也显示竞争性预后性能。然而，多数ML架构的黑箱性质阻碍临床采用，高维集成或深度神经网络预测难以机制性解释。数学肿瘤学提供互补范式，将肿瘤进展生物物理原理转化为动力系统，包括常微分方程（ordinary differential equations, ODEs）等，可编码生长、播散和治疗反应假设，并在数据允许时校准到个体患者。转移集落生长已被形式化为动力系统，经典肿瘤生长律已在体内肺和乳腺肿瘤数据上比较。机制学习试图融合机制框架可解释性与统计及机器学习数据拟合能力。将此类模型校准到稀疏“快照”临床数据仍是方法学前沿，与可识别性和不确定性量化密切相关。既往研究已证明整合机器学习和机制模型预测早期乳腺癌转移复发的潜力，但尚缺为多样多中心临床数据库设计、同时保留生物学可解释性的模块化架构。跨机构数据集成挑战促成当前模块化设计。研究人员通过标准化机制桶，即按临床可观测变量在转移进展中的主要生理作用分组，并扩展Paget种子-土壤概念，加入增殖率成分，而非直接使用原始特征输入，使模型对采集方案差异较不敏感。研究人员提出机制学习框架，作为模块化平台的概念验证。框架基于早期机制-统计转移复发模型，并受Paget种子-土壤假说启发。其贡献为在病理学专业指导下，将常规临床病理变量模块化分配给负荷（Seed）、增殖（Speed）和微环境（Soil）成分，映射到初始转移负荷（n₀）和有效增殖率（λ），并结合闭式复发时间投影、删失感知损失和明确可识别性分析。模块结构旨在协作研究中容纳异质数据源。研究人员使用METABRIC数据集评估实现，该分析展示经验临床数据如何连接机制数学建模，独立队列评估是重要下一步。目标是将每个预测表达为临床医生可追溯到常规病理测量的动力学量。

关键技术方法（不超过250字）：研究使用METABRIC（Molecular Taxonomy of Breast Cancer International Consortium）队列，样本来自英国和加拿大中心，纳入1,814例原发性非转移性乳腺癌患者，737例远处复发，中位随访101.7月。方法核心为：将六项常规组织病理变量映射到Seed/Speed/Soil模块；采用指数生长ODE，dN/dt=λN(t)，N(0)=n₀，闭式投影T_pred=(ln M?ln n₀)/λ；以文献参考表型固定λ_ref=0.1140 month^?1；使用删失感知hinge-MSE损失和L-BFGS-B优化；进行内部五折交叉验证、1,000次配对bootstrap、Cox PH基线比较、IPCW AUC、Kaplan–Meier与log-rank分析及风险分层。

研究结果。3.1 参数可识别性与生物学一致性：拟合参数中，肿瘤大小、淋巴结负荷、组织学分级和HER2的95% bootstrap置信区间排除零且符号符合预期；ER和PR点估计为负，但区间包含零，ER估计基本为零，数据既未确认也未反驳预期方向，这与ER–PR共线性（phi系数=0.542）和治疗混杂一致。移除ER和PR或合并为单一激素受体变量，交叉验证一致性基本不变，但两者按设计保留，因属于Speed桶并定义锚定生长率的参考表型。预测复发时间合理性方面，线性Seed联系允许ln n₀>ln M，出现负预测时间，7/1,814例患者（0.4%）出现，均有至少14枚阳性淋巴结，最极端预测为?63.1月；主log1p联系将负值降至3/1,814（0.17%），有界logistic敏感性联系消除所有负预测时间。有界联系未作为主联系，因为其拟合不随倍增时间锚和M不变，而log1p联系的T_pred和所有基于秩的结果不变。

3.2 预测性能与风险分层：主模型样本内C-index=0.6554，五折交叉验证平均C-index=0.6540，合并折外C-index=0.6528。与多变量Cox PH基线在1,000次配对bootstrap折外评分中，机制模型减Cox PH的ΔC-index=?0.0020，95% CI [?0.0159,+0.0111]，统计不可区分。合并折外C-index分别为0.6528和0.6561；样本内为0.6554和0.6589；5/10/15年IPCW AUC为0.698/0.680/0.668（机制模型）和0.708/0.683/0.665（Cox）。Kaplan–Meier风险分层中，样本内中位阈值131.6月，911例高风险、903例低风险，log-rank=113.52，p=1.66×10^?26；折外阈值检查为910/904，log-rank=107.90，p=2.82×10^?25，确认分离非阈值选择伪影。示例患者A（侵袭性）预测82.1月高风险，患者B（有利）173.7月低风险，患者C极端淋巴结负荷在线性Seed联系下为?38.9月，log1p联系下为+39.1月高风险，有界联系下为0.62月。分子扩展中，加入连续受体mRNA的ΔC-index=+0.0017（95% CI [?0.0076,0.0116]）；加入MKI67 mRNA为+0.0155（[0.0059,0.0245]）；MKI67/免疫签名组合为+0.0195（[0.0077,0.0295]）。在所有变体中，MKI67 mRNA是唯一单一添加其区间排除零者，但区间未校正多重性，结果具探索性，未作为主模型。METABRIC无Ki-67免疫组化，因此MKI67 mRNA作为增殖活动连续代理分析，而非IHC百分比等价物。

讨论部分总结：研究人员将六项常规组织病理变量映射到Seed（肿瘤大小、淋巴结计数）和Speed（分级、ER、HER2、PR）成分，并为1,814例患者计算预测复发时间。Seed和Speed系数的联合重标定可给出相同预测时间，数据本身不能固定n₀和λ绝对尺度；研究通过锚定文献参考表型的生长率固定尺度。绝对量相对于所选锚可解释，基于秩的结果不依赖锚。采用对数淋巴结联系时，99.8%患者预测复发时间为正。在METABRIC中，主模型合并折外C-index=0.6528，与多变量Cox PH基线统计不可区分。该机制学习模型目的不是超过统计基线，而是增加可解释动力学量，即每例患者的初始负荷和增殖率。肿瘤大小、淋巴结负荷、分级和HER2的bootstrap区间排除零且符号预期，ER和PR区间包含零。分子扩展中MKI67 mRNA有前景，但未纳入主模型。Nicol?2 et al.在642例患者中将机制复发模型的生长和播散参数与临床病理协变量关联，报告交叉验证一致性0.65，与Cox回归相当；当前结果在不同队列中可比。连续肿瘤进展模型也将分级、ER和PR状态及分子亚型与淋巴结播散速率关联，Grade 3肿瘤比Grade 1快约2.2倍，ER或PR阴性肿瘤比阳性快约1.2倍，与Speed系数方向一致。混合机制与机器学习建模也已用于临床前乳腺癌模型转移动力学。本框架增加的是在病理学专业指导下，将常规变量模块化分配给Seed、Speed和Soil，并进行明确可识别性分析，作为概念验证。

4.1 生物一致性与治疗混杂：Seed桶中区间排除零的系数与肿瘤大小和淋巴结状态是晚期复发主要决定因素的独立证据一致。ER和PR区间包含零，治疗混杂影响生物学解释：1,383例ER阳性中999例接受激素治疗，431例ER阴性中124例接受；加入激素治疗后ER从?0.0001变为?0.0017；加入激素治疗和化疗后变为+0.0037。有无治疗项时区分度基本相同，VIF为1.11–1.99，因此ER解释为动力学与治疗效应的混合。直接生长测量提供定性检查：三阴性肿瘤比ER阳性肿瘤生长更快，中位倍增时间124天和185天，均值103天和241天；分子亚型是生长率独立决定因素，luminal肿瘤生长最慢；较高Ki-67与更快生长相关；较高级别在三个研究中与更快生长相关，但在两个较小研究中不显著。HER2证据更有限：三个研究中HER2状态与倍增时间无显著关联，ER⁺/HER2⁺肿瘤165天与ER⁺/HER2^?肿瘤185天相似。抗HER2治疗不混杂METABRIC中HER2系数，因HER2阳性患者均未接受曲妥珠单抗，系数反映未治疗HER2生物学，但可能不转移至当前接受曲妥珠单抗患者。西班牙注册El álamo IV中1,050例HER2阴性复发患者显示，激素受体阴性/HER2阴性、Grade 3和III期分别与早期而非晚期复发相关，比值比10.3、2.9和3.2。

4.2 局限：确定性指数模型和hinge损失不是似然或预测分布，为每例患者分配单一复发时间，不能表示激素受体阳性疾病远处复发风险中早期峰值后持续晚期风险。Log1p留下3/1,814（0.17%）负预测时间，均为150–180 mm大肿瘤和14–22枚阳性淋巴结患者。有界敏感性联系消除负值并给出相似交叉验证C-index=0.657，但其拟合依赖倍增时间锚和M，不同于log1p联系。性能仅通过METABRIC内部五折交叉验证评估，未评估外部队列。细胞密度和年龄作为Soil代理未增加区分度，而免疫表达代理方向预期，但仍需要直接、区室特异性的H&E基质TIL评分和PD-L1免疫组化；批量转录组签名无空间信息，不等同于病理学家基质TIL读取。原发肿瘤特征不能捕捉转移部位器官特异性soil，METABRIC未记录。HER2三级拷贝数变体是METABRIC唯一额外HER2粒度，不能恢复临床相关中间类别（IHC 2+/不确定伴反射FISH/CISH检测）和HER2-low类别（IHC 1+或2+/ISH阴性）。最后，n₀和λ绝对尺度依赖单一文献倍增时间；在激素受体阳性疾病已发表范围内，队列平均n₀跨多个数量级，n₀还按假定检测阈值M成比例缩放（10⁸–10⁹细胞十倍范围给出n₀十倍范围），绝对量不应读作测量负荷。模型隐含倍增时间跨134–200天，窄于系列成像和自然史研究中luminal与三阴性肿瘤1.5–2.7倍差异，因此Speed系数最好解释为相对而非校准生长对比。

4.3 未来方向：三项扩展来自该概念验证。第一，将动力学投影嵌入基于似然的生存模型，加入明确误差模型、风险函数、预测窗口和校准指标如integrated Brier score，可提供患者水平预测分布，并分离参数不确定性与结构模型不足。第二，记录Ki67免疫组化、基质TIL评分和PD-L1状态的扩展数据集可填充MKI67扩展和Soil桶；公共METABRIC发布不含切片或组织学图像，但在有归档材料的队列中，TIL评分和PD-L1评估可回顾性进行。第三，外部队列评估可显示性能是否跨中心保持，具有个体水平记录的注册库是可能来源之一。若在独立队列中确认，此类患者水平复发时间预测可帮助研究风险适应随访，该问题仍开放：ESMO早期乳腺癌临床实践指南指出，无近期随机试验数据支持任何特定随访序列或方案，并指出随访策略应考虑肿瘤生物学决定的差异复发模式。将每个预测表达为初始负荷和增殖率，可为此类研究提供可解释、具生物学基础的起点。

研究结论（翻译）：总之，将机制生长模型锚定到基于文献的参考表型，使其动力学参数可识别，并产生复发时间预测，其区分度与多变量Cox模型相当，而每个预测被表达为初始负荷和增殖率，并可追溯到常规病理测量。模块化Seed–Speed–Soil结构为微环境数据在扩展数据集可用时提供了位置。作者团队包括Judith Pérez-Velázquez、Meltem G?lgeli和?brahim Kula?。