常规生物标志物可预测接受新辅助化疗及双重HER2阻断治疗的HER2阳性乳腺癌患者的反应概率

《BMC Cancer》：Routine biomarkers map response probability in HER2-positive breast cancer treated with neoadjuvant chemotherapy and dual HER2 blockade

　　

摘要

背景

在新辅助化疗联合双重HER2阻断治疗后达到病理完全缓解（pCR）可改善HER2阳性乳腺癌患者的预后，但治疗反应仍存在差异。本研究旨在基于常规的临床病理生物标志物开发一个可解释的模型，以预测pCR并识别具有临床意义的反应状态。

方法

在这项多中心回顾性研究中，共有1,082名在两家中国医疗机构接受新辅助化疗联合双重HER2阻断治疗的HER2阳性乳腺癌患者被纳入研究，用于模型构建和内部验证。另外从第三家医疗机构选取了307名患者作为独立队列，用于外部验证。研究人员利用常规可获得的术前临床病理变量构建机器学习模型，并通过接收者操作特征曲线下面积（AUC）来评估模型性能。同时通过概率景观分析来明确与pCR相关的生物标志物定义的反应状态。

结果

最终构建的梯度提升机模型在内部测试中的AUC值为0.78，在外部验证中的AUC值为0.70。概率景观分析发现了不同反应状态，这些状态的pCR概率存在显著差异。激素受体表达水平低且HER2免疫组化（IHC）表现为3+的患者属于高概率实现pCR的群体，而激素受体表达高、Ki-67表达低以及HER2 IHC为2+/荧光原位杂交（FISH）阳性的患者则属于低概率实现pCR的群体。在初始淋巴结阳性但最终实现乳腺pCR的患者中，仅有6.1%的病例存在残留淋巴结病变。

结论

常规的临床病理生物标志物可以被整合到可解释的机器学习模型中，用于预测HER2阳性乳腺癌患者在接受新辅助化疗联合双重HER2阻断治疗后的pCR情况，并实现反应概率的量化分析。这种方法有助于制定个性化治疗方案，也为后续的治疗调整和手术强度降低策略提供支持。