在有ER阳性/HER2阴性乳腺癌的绝经前妇女中,晚期远程复发预测模型:一项多中心回顾性研究
Dong Seung Shin1, Janghee Lee2, Eunhye Kang3
1Division of Breast Surgery, Department of Surgery, Samsung Medical Center, Sungkyunkwan University of Medicine, Seoul, Republic of Korea.
Breast (Edinburgh, Scotland)
|February 18, 2026
概括
一个新的机器学习模型准确地预测了绝经前乳腺癌患者的晚期远程复发风险. 高风险个体从延长的内分泌疗法中显著受益,指导个性化治疗决策.
科学领域:
- 在瘤学瘤学.
- 机器学习在医学中的应用
- 乳腺癌研究研究 乳腺癌研究
背景情况:
- 晚期远程复发 (DR) 对雌激素受体 (ER) 阳性/人体表皮生长因子受体2 (HER2) 阴性乳腺癌的绝经前患者来说是一个主要问题.
- 目前的风险分层方法可能无法完全捕捉该特定患者群体中晚期DR的风险.
研究的目的:
- 开发和验证一种机器学习模型,用于预测绝经前患者晚期DR风险.
- 根据模型的风险分层,评估延长内分泌治疗 (ET) 的临床效用.
主要方法:
- 对1701名绝经前患者 (≤45岁) 进行了回顾性多中心研究,这些患者患有ER+/HER2型乳腺癌,在2000-2011年间接受治疗.
- 基准分析与手术后5年的基线;患者有5-10年的随访时间和≥2年的辅助ET.
- 主要结局:晚期DR (手术后5-10年间的远程转移). 使用8个临床病理学变量开发的机器学习模型.
主要成果:
- 机器学习模型在晚期的DR中取得了强大的预测性能 (AUC=0.78).
- 通过该模型识别的高风险患者与低风险患者相比 (HR=7.36) 的晚期远程转移无生存率 (DMFS) 显著更高.
- 在高风险患者中,延长ET显著改善了晚期DMFS (HR=0.32),而在低风险患者中没有明显的益处 (HR=0.45).
结论:
- 开发的机器学习模型有效地将绝经前患者分为不同风险群体,分为晚期DR.
- 延长ET对高风险患者具有显著的益处,支持在个性化治疗策略中考虑其.
- 该模型有助于为患有ER+/HER2-乳腺癌的绝经前妇女量身定制有关延长ET的决定.
