可访问的模型预测了接受新辅助化疗的激素受体阳性HER2阴性乳腺癌的反应
Luca Mastrantoni1, Giovanna Garufi2,3, Giulia Giordano4
1Medical Oncology, Università Cattolica del Sacro Cuore, Rome, Italy.
NPJ breast cancer
|February 5, 2025
概括
一个新的机器学习模型预测了接受新辅助化疗 (NACT) 的激素受体阳性/HER2阴性乳腺癌患者的病理完整反应 (pCR). 这种工具有助于为量身定制的临床试验分层患者.
科学领域:
- 在瘤学瘤学.
- 生物统计学 生物统计学
- 机器学习在医学中的应用
背景情况:
- 激素受体阳性/HER2阴性乳腺癌 (BC) 是最常见的亚型.
- 在这种BC亚型中,对新辅助化疗 (NACT) 的病理完整反应 (pCR) 是罕见的.
- 预测pCR对于管理早期,可操作的BC和预防复发至关重要.
研究的目的:
- 开发和验证在接受NACT的BC患者pCR的预测模型.
- 用广泛可用的临床病理学特征进行预测.
- 为风险适应的临床试验开发提供一个框架.
主要方法:
- 使用463名BC患者的临床病理学数据开发机器学习 (ML) 模型.
- 在109名患者的队列中进行内部验证.
- 在151名患者的队列中进行外部验证.
- 模型性能的比较,包括弹性网模型.
主要成果:
- 弹性网模型在内部验证中达到0.86的曲线下面积 (AUC),在外部验证中达到0.81.
- 使用较少变量的简单的ML模型显示出显著的预测价值.
- 开发的模型可免费用于临床使用.
结论:
- 一个经过验证的ML模型有效地预测了在接受NACT的激素受体阳性/HER2-阴性BC患者中的pCR.
- 该模型增强了患者分层,有助于个性化治疗策略.
- 该框架支持对乳腺癌进行风险调整的临床试验的设计.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
07:45Orthotopic Transplantation of Breast Tumors as Preclinical Models for Breast Cancer
Published on: May 18, 2020
5.9K
