乳腺癌是女性中最常見(jiàn)的癌癥，激素受體陽(yáng)性（HR+）/人表皮生長(zhǎng)因子受體 2 陰性（HER2−）乳腺癌是主要亞型，占據(jù)了乳腺癌的 65%-70%。
作為臨床關(guān)注的重點(diǎn)問(wèn)題，HR+/HER2− 乳腺癌的復(fù)發(fā)是一個(gè)持續(xù)的過(guò)程，其每年的遠(yuǎn)端復(fù)發(fā)率保持在 1%。多達(dá) 20% 的 HR+/HER2− 乳腺癌患者因內(nèi)分泌耐藥機(jī)制而出現(xiàn)復(fù)發(fā)性轉(zhuǎn)移。即使經(jīng)過(guò) 5 - 10 年的標(biāo)準(zhǔn)內(nèi)分泌治療，復(fù)發(fā)仍持續(xù)不斷。因此，迫切需要預(yù)測(cè) HR+/HER2− 乳腺癌患者復(fù)發(fā)的風(fēng)險(xiǎn)。
2025 年 1 月 22 日，復(fù)旦大學(xué)附屬腫瘤醫(yī)院肖毅副研究員、邵志敏教授、江一舟教授等人在 Cell 子刊 Cell Reports Medicine 上發(fā)表了題為：Multimodal integration using a machine learning approach facilitates risk stratification in HR+/HER2- breast cancer 的研究論文。
該研究基于大樣本 HR+/HER2- 乳腺癌多組學(xué)隊(duì)列，整合基線臨床數(shù)據(jù)，多維度免疫組化、代謝組、病理組、轉(zhuǎn)錄組、基因組和拷貝數(shù)變異信息，構(gòu)建了多模態(tài)機(jī)器學(xué)習(xí)預(yù)測(cè)模型——CIMPTGV，為精準(zhǔn)預(yù)測(cè) HR+/HER2- 乳腺癌復(fù)發(fā)風(fēng)險(xiǎn)提供了創(chuàng)新性解決方案。
生物標(biāo)志物發(fā)現(xiàn)、多組學(xué)技術(shù)和預(yù)后預(yù)測(cè)模型優(yōu)化方面的進(jìn)展，使得預(yù)測(cè)癌癥治療的耐藥性和復(fù)發(fā)風(fēng)險(xiǎn)成為可能?；虮磉_(dá)譜分析，例如 Oncotype DX 檢測(cè)和 MammaPrint，為將乳腺癌患者分為低風(fēng)險(xiǎn)和高風(fēng)險(xiǎn)組提供了策略，并有助于識(shí)別早期 ER+ 乳腺癌患者中可能從化療中獲益的人群。
然而，這些預(yù)測(cè)標(biāo)志物在某些情況下存在局限性，這種局限性在一定程度上歸因于主要依賴臨床病理或轉(zhuǎn)錄組學(xué)數(shù)據(jù)，這些數(shù)據(jù)無(wú)法全面捕捉癌癥的復(fù)雜性。
隨著測(cè)序技術(shù)的進(jìn)步和成本的降低，包括基因組、轉(zhuǎn)錄組、蛋白質(zhì)組、代謝組和表觀基因組在內(nèi)的多組學(xué)數(shù)據(jù)變得越來(lái)越容易獲取。此外，人工智能（AI）技術(shù)的出現(xiàn)促進(jìn)了來(lái)自多模態(tài)的數(shù)據(jù)的整合。
近年來(lái)，多模態(tài)機(jī)器學(xué)習(xí)已被用于治療效果預(yù)測(cè)、術(shù)后分層和預(yù)后評(píng)估，展現(xiàn)出其相當(dāng)大的實(shí)用價(jià)值。多模態(tài)的整合能夠從各個(gè)方向全面了解腫瘤特征，而機(jī)器學(xué)習(xí)方法能夠?qū)⑦@些數(shù)據(jù)轉(zhuǎn)化為先進(jìn)的預(yù)后模型。然而，由于數(shù)據(jù)收集、隊(duì)列建立以及整合方法等方面的問(wèn)題，多種組學(xué)類型的整合仍然具有挑戰(zhàn)性。其在乳腺癌中的應(yīng)用也仍待進(jìn)一步探索。
在這項(xiàng)研究中，研究團(tuán)隊(duì)利用包含 579 名 HR+/HER2- 乳腺癌患者的多組學(xué)信息的隊(duì)列，構(gòu)建了一個(gè)機(jī)器學(xué)習(xí)框架，并生成了一個(gè)名為 CIMPTGV 的多模態(tài)模型，該模型整合了臨床信息（Clinical information）、免疫組化（Immunohistochemistry）、代謝組學(xué)（Metabolomics）、病理組學(xué)（Pathomics）、轉(zhuǎn)錄組學(xué)（Transcriptomics）、基因組學(xué)（Genomics）和拷貝數(shù)變異（Copy Number Variations），以預(yù)測(cè) HR+/HER2- 乳腺癌的復(fù)發(fā)風(fēng)險(xiǎn)。
CIMPTGV 模型在預(yù)測(cè)復(fù)發(fā)風(fēng)險(xiǎn)方面表現(xiàn)出色，其在訓(xùn)練集和測(cè)試集上的一致性指數(shù)（C指數(shù)）分別為 0.871 和 0.869?？蓽?zhǔn)確預(yù)測(cè)74.2%的復(fù)發(fā)患者和85.8%的未復(fù)發(fā)患者。該模型的預(yù)測(cè)效果優(yōu)于常規(guī)臨床病理指標(biāo)，且在不同臨床亞組間均可顯著區(qū)分高低危復(fù)發(fā)風(fēng)險(xiǎn)患者。值得注意的是，同源重組缺陷（HRD）評(píng)分與 CIMPTGV 風(fēng)險(xiǎn)評(píng)分呈顯著正相關(guān)。特征分析揭示了不同模態(tài)之間的協(xié)同效應(yīng)和互補(bǔ)效應(yīng)，這有助于 CIMPTGV 模型獲得較高的 C 指數(shù)。
為了促進(jìn)臨床應(yīng)用，研究團(tuán)隊(duì)還開(kāi)發(fā)了 CIMPTGV 模型的簡(jiǎn)化版，這種簡(jiǎn)化的模型在臨床環(huán)境中優(yōu)于常見(jiàn)的模態(tài)組合，平均曲線下面積（AUC）為 0.840，有望改善 HR+/HER2- 乳腺癌復(fù)發(fā)的預(yù)測(cè)，有助于識(shí)別高?；颊?，并通過(guò)個(gè)性化治療策略改善其預(yù)后。
該研究的亮點(diǎn)：
論文鏈接：
https://www.cell.com/cell-reports-medicine/fulltext/S2666-3791(24)00695-5
合作咨詢
肖女士
021-33392297
Kelly.Xiao@imsinoexpo.com
2006-2025 上海博華國(guó)際展覽有限公司版權(quán)所有（保留一切權(quán)利）
滬ICP備05034851號(hào)-57
