《Cancers》：Benefit–Hematotoxicity Stratification in Patients with Triple-Negative Breast Cancer Receiving Platinum-Based Neoadjuvant Therapy: A Multitask Deep Learning Study
编辑推荐：
目的：铂类新辅助治疗可改善三阴性乳腺癌（TNBC）的病理学反应，但严重血液毒性可能影响治疗实施。本研究开发并验证了一种多任务学习框架，用于联合预测病理学完全缓解（pCR）和严重血液毒性，并支持获益-血液毒性分层。方法：这项多中心回顾性研究纳入了在三个机构接受铂
目的：铂类新辅助治疗可改善三阴性乳腺癌（TNBC）的病理学反应，但严重血液毒性可能影响治疗实施。本研究开发并验证了一种多任务学习框架，用于联合预测病理学完全缓解（pCR）和严重血液毒性，并支持获益-血液毒性分层。方法：这项多中心回顾性研究纳入了在三个机构接受铂类新辅助治疗的2060例连续性TNBC患者。患者被分配到训练队列（n = 1406）、内部验证队列（n = 351）或外部验证队列（n = 303）。研究人员开发了一个多任务TabNet（MT-TabNet）模型，使用治疗前的临床、病理、影像学、实验室、心电图和计划治疗暴露变量来联合估计pCR和严重血液毒性。模型性能通过区分度、校准度、决策曲线分析和可解释性分析进行评估。预测概率进一步整合到基于效用的框架中，用于获益-血液毒性分层。结果：总体而言，639例（31.0%）患者达到了pCR，651例（31.6%）发生了严重血液毒性。MT-TabNet在训练队列、内部验证队列和外部验证队列中对pCR预测的AUC分别为0.874、0.842和0.819，对严重血液毒性预测的AUC分别为0.859、0.846和0.818。该模型显示出总体可接受的校准度和临床净获益。pCR预测主要与肿瘤相关特征相关，而严重血液毒性预测则与计划治疗暴露和宿主相关实验室指标的相关性更强。基于效用的分层显示，在三个队列中，从低获益组到高获益组，pCR率逐渐升高，严重血液毒性率逐渐降低。在训练队列和内部验证队列中，各获益组的无进展生存期（PFS）和总生存期（OS）均存在显著差异；在外部验证队列中，OS差异显著，而PFS呈现相似但不显著的趋势。结论：MT-TabNet能够对接受铂类新辅助治疗的TNBC患者的pCR和严重血液毒性进行联合估计。基于效用的框架将疗效和毒性预测整合为临床上可解释的获益-血液毒性分层，值得在个体化风险评估和毒性监测方面进行进一步的前瞻性评估。
论文解读文章
一、研究背景与目的
三阴性乳腺癌（triple-negative breast cancer，TNBC）是一种生物学行为侵袭性强、复发风险高且治疗靶点有限的乳腺癌亚型。对于高危早期或局部晚期TNBC患者，新辅助治疗是多学科综合治疗的重要组成部分，可降低肿瘤负荷、提高病理学反应率、增加保乳手术机会，并指导术后治疗决策。目前，TNBC的新辅助治疗常以蒽环类联合紫杉类药物为基础，并联合铂类药物或免疫治疗。铂类药物因具有明确的抗肿瘤活性、临床可及性好。然而，既有的研究表明，加用铂类药物能否显著提高病理反应因人而异，获益幅度差异较大，仍难以确定最佳候选人群。另一方面，血液学毒性是限制铂类药物治疗实施的关键安全性问题。重度中性粒细胞减少、血小板减少、贫血和粒细胞缺乏性发热可增加感染、出血、输血、住院和抗感染治疗风险，同时可导致治疗延迟、剂量下调或铂类药物提前停用，进而降低剂量强度并延误手术时机。因此，血液毒性不仅是安全性终点，更是决定铂类新辅助治疗临床净获益的重要因素。评价病理反应或毒性风险中的任何单一维度，均不足以判定患者是否适合接受铂类强化治疗。既往预测模型大多聚焦单一结局，无法充分反映铂类新辅助治疗中疗效获益与毒性代价并存的临床现实。为此，研究人员开发了基于TabNet的多任务学习框架，以联合预测病理学完全缓解（pathological complete response，pCR）和严重血液毒性，并据此构建获益—血液毒性分层体系。该研究发表在《Cancers》。
二、研究设计与核心结论
该研究为多中心回顾性研究，纳入2021年3月至2025年12月期间在三个机构接受铂类新辅助治疗的2060例连续性TNBC患者。三个中心分别为哈尔滨医科大学附属肿瘤医院、哈尔滨医科大学附属第二医院和哈尔滨医科大学附属第六医院。其中中心1的1757例患者随机分为训练队列（n = 1406）和内部验证队列（n = 351），中心2和中心3的患者共同构成外部验证队列（n = 303）。研究人员开发了多任务TabNet（MT-TabNet）模型，使用治疗前的临床、病理、影像学、实验室、心电图以及计划治疗暴露变量，联合估计pCR和严重血液毒性。结果显示，MT-TabNet在训练、内部验证和外部验证队列中对pCR预测的AUC分别为0.874、0.842和0.819，对严重血液毒性预测的AUC分别为0.859、0.846和0.818，模型校准度和临床净获益总体可接受。进一步基于效用函数U = P(pCR) ? λP(血液毒性)进行分层，其中λ = 1.255为数据驱动的参考权重。分层后，三个队列均呈现出从低获益组到高获益组pCR率逐渐上升、严重血液毒性率逐渐下降的趋势。研究提示，该多任务框架可为个体化风险评估和毒性监测提供整合依据。
三、主要关键技术方法
研究人员主要采用了以下关键方法：第一，构建多任务TabNet（MT-TabNet）模型，同时输出pCR概率与严重血液毒性概率，并与单任务TabNet、逻辑回归、随机森林和XGBoost进行对比。第二，以AUC、Brier评分、校准曲线和决策曲线分析评价模型性能；利用SHAP值和置换特征消融分析进行可解释性分析。第三，基于训练集交叉验证预测概率确定λ = 1.255，并以训练集效用分数第25和第75百分位数（?0.08和0.26）作为分层截断值，固定后应用到内部和外部验证队列。
四、研究结果
患者特征与队列结构：三个队列的基线临床、病理、影像及心电图特征基本均衡，平均年龄约50岁，平均体质指数约24 kg/m2，多数患者为Ⅱ—Ⅲ期，肿瘤大小为20—50 mm者最常见。
治疗结局与严重血液毒性：总体pCR率为31.0%（639/2060），严重血液毒性发生率为31.6%（651/2060）。在严重血液毒性类型中，中性粒细胞减少最为常见（37.6%），其次为白细胞减少（24.0%）、贫血（16.0%）、血小板减少（12.3%）和粒细胞缺乏性发热（10.1%）。
模型预测性能：MT-TabNet在pCR和严重血液毒性预测中均显示出良好的区分能力。与逻辑回归、随机森林和XGBoost相比，MT-TabNet的AUC在训练队列中显著更高；在外部验证队列中，仍显著优于逻辑回归，但与随机森林、XGBoost和单任务TabNet差异无统计学意义。多任务学习并未普遍提升单个任务的AUC，但实现了对两个结局的联合估计。
模型可解释性与特征分析：pCR预测主要由肿瘤相关变量驱动，如Ki-67、肿瘤大小、临床分期和腋窝淋巴结状态；严重血液毒性预测则主要关联计划蒽环暴露及宿主相关实验室指标，包括血红蛋白、D-二聚体、白蛋白、肾功能标志物和年龄。特征消融分析结果与SHAP分析一致，提示两个任务共享部分预测信号但各自具有独立的特征模式。
临床效用与分层：基于效用的分层在训练、内部验证和外部验证队列中均显示出从低获益组到高获益组pCR率升高（分别为17.3%至44.9%、16.7%至45.3%、16.4%至46.1%）和严重血液毒性率下降（分别为44.0%至22.2%、46.4%至17.4%、45.2%至15.8%）的梯度。决策曲线分析显示，该分层在临床相关阈值范围内均优于“全部治疗”和“全部不治疗”策略。敏感性分析采用不同λ值，结果总体一致。
生存分析：在训练队列和内部验证队列中，三个获益组的PFS和OS差异均有统计学意义；在外部验证队列中，OS差异显著，PFS差异未达统计学意义（p = 0.096）。
五、讨论与结论
讨论部分指出，多任务学习框架通过共享表征学习，允许疗效与毒性相关信息互相补充，同时通过任务特定输出层保留各自的预测模式。pCR预测主要反映肿瘤增殖和负荷，而严重血液毒性预测更反映宿主造血储备、营养炎症状态和计划治疗强度。效用函数中的λ值代表对血液毒性的相对权重视角，λ = 1.255是队列层面的参考权重，临床应用时可根据患者偏好进行调整。通过将短期病理获益和毒性风险整合为分层工具，框架体现出与长期预后相关联的潜力。研究局限性包括回顾性设计、外部验证中心属于同一大学医疗系统、血液毒性为回顾性确定，以及λ值来自数据驱动且未包含个体患者的主观偏好。
研究结论认为，研究开发并验证了基于TabNet的多任务学习框架，用于对接受铂类新辅助治疗的TNBC患者联合估计pCR和严重血液毒性。基于效用的框架将疗效与毒性预测整合为临床可解释的获益—血液毒性分层，支持进一步开展前瞻性评价，以推动该框架在个体化风险评估和毒性监测中的应用。
