机器学习模型用于预测三级淋巴细胞结构和三阴性乳腺癌治疗反应
Yidan Lin1, Yushuai Yu1, Qing Wang1
1Department of Breast Surgery, Clinical Oncology School of Fujian Medical University, Fujian Cancer Hospital, Fuzhou, 350014, Fujian Province, China.
NPJ precision oncology
|July 2, 2025
概括
一个新的机器学习模型准确地预测了三级淋巴体结构 (TLS) 和新辅助疗法 (NAT) 在三阴性乳腺癌 (TNBC) 的反应. 这种工具对个性化治疗策略和改善患者预后有希望.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 机器学习 机器学习
背景情况:
- 由于有限的向疗法,三阴性乳腺癌 (TNBC) 构成了重大的临床挑战.
- 三级淋巴体结构 (TLS) 越来越被认为是抗瘤免疫和治疗反应的重要调节器.
- 在TNBC中预测对新辅助疗法 (NAT) 的反应对于优化治疗策略至关重要.
研究的目的:
- 开发和验证用于预测TNBC中的TLS的机器学习模型.
- 评估模型在TNBC中预测NAT治疗反应的能力.
- 评估预测模型在接受NAT的TNBC患者的预后意义.
主要方法:
- 在多个中心对697名TNBC患者的回顾性分析.
- 开发五个机器学习模型来预测TLS,选择XGBoost作为最佳的基于放射学的TLS (rTLS) 模型.
- 在患者子组中验证rTLS模型的性能,以及与无病生存期 (DFS) 的相关性.
主要成果:
- 基于XGBoost的rTLS预测模型在预测TLS存在方面表现强.
- rTLS预测得分与DFS有显著的相关性,并被确定为接受NAT的TNBC患者的独立预后因素.
- 病理特征提供了对影响NAT反应的病理异质性的见解.
结论:
- 开发的rTLS预测模型准确地预测了TNBC中的TLS和NAT响应.
- 这种模型有可能在个性化TNBC治疗策略的临床应用中发挥作用.
- 这些发现表明,它是改善TNBC患者预后和指导个性化治疗的有希望的工具.
