预测ER弱阳性乳腺癌状态的机器学习模型的建立及验证.pdfVIP

·７８２·临床与实验病理学杂志ＪＣｌｉｎＥｘｐＰａｔｈｏｌ２０２３Ｊｕｌ；３９（７）

网络出版时间：２０２３－０７－２１１０：４４：５２网络出版地址：ｈｔｔｐｓ：／／ｋｎｓ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ２／ｄｅｔａｉｌ／３４．１０７３．Ｒ１０５９．００３．ｈｔｍｌ

预测ＥＲ弱阳性乳腺癌状态的机器学习模型的建立及

验证

１２３２２４４２

徐梓航，牛淑瑶，沈荣波，贾占莉，商久妍，王新乐，张硕，刘月平

摘要：目的探讨利用机器学习算法预测ＥＲ弱阳性乳腺癌的状态。方法收集７１０例原发性浸润性乳腺癌，其中１３９例ＥＲ

阴性（＜１％）和３１１例ＥＲ阳性（＞１０％）乳腺癌作为训练队列，２６０例ＥＲ弱阳性（１％～１０％）乳腺癌作为测试队列。深度学

习分割模型（ＬｉｎｋＮｅｔ）用于分割并提取肿瘤细胞的形态特征。基于朴素贝叶斯机器学习算法，利用从训练队列中提取的１２个

临床病理特征和１４个形态特征开发机器学习预测模型，并进行内部验证。利用ＲＯＣ曲线的曲线下面积（ＡＵＣ）反映预测模型

的性能。利用预测模型对测试队列进行ＥＲ状态预测。对比分析两组的临床病理特征、ＥＳＲ１ｍＲＮＡ的表达水平和预后。结

果ＥＲ阴性与ＥＲ阳性乳腺癌在组织学类型（Ｐ＝００１）、淋巴结转移（Ｐ＝００２）、组织学分级（Ｐ＜０００１）、ＰＲ（Ｐ＜０００１）、

ＨＥＲ２（Ｐ＜０００１）和Ｋｉ６７（Ｐ＜０００１）表达差异有显著性。基于朴素贝叶斯机器学习算法构建预测模型，５倍交叉验证显示，

在训练队列中预测模型对ＥＲ状态的预测性能优异（ＡＵＣ＝０９１±００３）。ＥＲ状态预测结果显示，２６０例ＥＲ弱阳性乳腺癌中

２０６例（７９２３％）被划分为阴性组，５４例（２０７７％）被划分为阳性组。与ＥＲ阳性组相比，ＥＲ阴性组组织学分级更高、Ｋｉ６７高

表达、ＥＳＲ１ｍＲＮＡ表达水平低，内分泌治疗获益更少，患者预后更差。结论机器学习模型能够较为精准地对乳腺癌ＥＲ表

达状态进行预测，为进一步明确ＥＲ弱阳性乳腺癌的状态提供了新视角，协助临床医师做出更为精准的治疗决策。

关键词：乳腺肿瘤；ＥＲ弱阳性；机器学习；朴素贝叶斯

中图分类号：Ｒ７３７９文献标志码：Ａ文章编号：１００１－７３９９（２０２３）０７－０７８２－０６

ｄｏｉ：１０．１３３１５／ｊ．ｃｎｋｉ．ｃｊｃｅｐ．２０２３．０７．００４

全球每年有超过１００万例女性罹患原发性乳腺弱阳性乳腺癌的状态提供了一个有前景的新视角。

癌，并且雌激素受体（ｅｓｔｒｏｇｅｎｒｅｃｅｐｔｏｒ，ＥＲ）阳性乳本实验利用具有临床病理特征的机器学习算法建立

腺癌患者比例逐年增加，占乳腺癌总体发病率的预测模型，进一步明确ＥＲ弱阳性乳腺癌的状态，以

［１］协助临床医师做出精准的治疗决策。

７９％～８４％。目前，虽然将１％作为ＥＲ阳性的截

［２］

断值并推荐进行内分泌治疗，但是在２０２０年ＡＳ

１材料与方法

ＣＯ／ＣＡＰ乳腺癌雌激素受体检测指南更新中，专家

小组提出内分泌治疗使１％～１０％的ＥＲ阳性乳腺１．１临床资料收集２０１２～２０１８年河北医科大学

［１］第四医院存档的原发性浸润性乳腺癌手术切除标本

癌患者获益较少，应报告为ＥＲ弱阳性乳腺癌。

最近，一些文献报道ＥＲ弱阳性乳腺癌表现出许多７１０例，患者均为女性。其中１３９例ＥＲ阴性（＜

与ＥＲ阴性乳腺癌相似的临床病理特征［３－６］和分子１％）乳腺癌和３１１例ＥＲ阳性（＞１０％）乳腺癌作为

特征［７－９］；但ＥＲ弱阳性乳腺癌相对少见，仅占ＥＲ训练队列，２６０例ＥＲ弱阳性（１％～１０％）乳腺癌作

阳性乳腺癌的２％～３％。因此，无法进行前瞻性的为测试队列。收集患者临床病理特征，包括年龄、是

临床试验来确定该疾病的最佳治疗策略。近年来，否绝经、肿瘤原发部位、肿瘤大小、淋巴结转移数目、

机器学习算法在医学中的应用日渐深入，为预测ＥＲ临床分期、组织学类型、组织学分级、脉管瘤栓以及