可解释的机器学习揭示了原发性高血压对三阴性乳腺癌早期复发的协同影响

《Scientific Reports》：Interpretable machine learning reveals the synergistic impact of essential hypertension on early recurrence in triple-negative breast cancer

　　

摘要

三阴性乳腺癌患者常常伴有高血压，但全身性血管压力如何与肿瘤的侵袭性相互作用从而导致早期复发，这一机制目前尚不完全清楚。本研究分析了549名同时患有高血压的三阴性乳腺癌患者，提取了15项多维临床和血流动力学特征。我们构建了四种机器学习模型，并通过SHapley加性解释方法对最优模型进行解析，以揭示其中的非线性关联。结果显示，XGBoost在预测早期复发方面具有更出色的区分能力（AUC值为0.840），其性能显著优于逻辑回归（P值=0.004）。SHAP依赖性分析显示，当收缩压超过140毫米汞柱时，肿瘤复发的风险会呈指数级上升。此外，SHAP交互张量表明，脉压增大与肿瘤的侵袭性（如肿瘤大小和淋巴管侵犯程度）之间存在明显的协同作用，这说明动脉僵硬度会进一步加剧肿瘤的扩散。这些研究结果提示，全身性血流动力学压力和内皮损伤会共同增强三阴性乳腺癌的侵袭性。而可解释性的XGBoost框架则为个性化的心脏肿瘤综合管理提供了可靠的、多维的风险分层工具，有助于对低风险患者进行精准分类。