基于岭回归的可解释机器学习模型预测早期乳腺癌Oncotype DX复发评分以优化基因组检测分配

《npj Breast Cancer》：Interpretable machine learning models for oncotypedDX? prediction using clinicopathologic data: a brazilian cohort study

摘要

Oncotype DX? (ODX) 用于指导早期乳腺癌 (eBC) 的辅助化疗决策，但其高昂的成本限制了其在资源受限环境中的获取。我们开发并评估了一个可解释的机器学习模型，利用常规可用的临床病理变量来预测 ODX 复发评分 (RS) 并优化基因组检测。我们分析了 GBECAM 队列 (2005–2024) 中的 935 名巴西 eBC 患者。鉴于其预测性能、可解释性和计算效率，我们选择了岭回归。根据 RS > 25 的预测概率，将患者分层为风险组，并使用 Kaplan-Meier 法估计无复发生存期。该模型在识别 RS > 25 方面表现出良好的区分能力 (AUROC 0.818 [95% CI, 0.780–0.852])，敏感性为 0.556，特异性为 0.859。最高风险四分位数包含了所有 RS > 25 病例的 60.8% (观察概率 42.8%)，而最低风险的一半患者观察概率仅为 4.4%。这些发现表明，多达 75% 的患者无需确认性 ODX 检测即可进行分流，将基因组检测保留给中间风险亚组。岭回归模型的表现优于先前发表的临床病理模型，并可能代表一种成本效益高的策略，以改善 ODX 检测的优先次序和资源分配。