基于机器学习的病理组学特征可预测乳腺癌患者对新辅助化疗的反应

张杰秋; 伍棋; 王舰梅; 要小鹏

doi:10.13406/j.cnki.cyxb.003380

您当前的位置：

首页 >

文章列表页 >

基于机器学习的病理组学特征可预测乳腺癌患者对新辅助化疗的反应

人工智能技术应用于医学数据分析 | 更新时间：2025-10-22

- 基于机器学习的病理组学特征可预测乳腺癌患者对新辅助化疗的反应
- Pathomics signature based on machine learning can predict the response to neoadjuvant chemotherapy in breast cancer patients
- 重庆医科大学学报 2023年48卷第12期页码：1483-1488
- 作者机构：
  
  1.西南医科大学公共卫生学院流行病与卫生统计学教研室,泸州 646000
  2.西南医科大学附属医院病理科,泸州 646000
  3.西南医科大学医学信息与工程学院医学工程技术教研室,泸州 646000
- 作者简介：
  
  张杰秋，Email：ygcandidate@163.com，研究方向：卫生统计与临床预测模型。
  要小鹏，Email：xp_yao@swmu.edu.cn。
- 基金信息：
  
  四川省科技计划资助项目(2022YFS0616);泸州市科技计划资助(2023SYF112)
- DOI：10.13406/j.cnki.cyxb.003380
  中图分类号： R737.9
- 收稿：2023-05-05，
  
  修回：2023-06-16，
  
  录用：2023-08-27，
  
  纸质出版：2023-12-28
- 稿件说明：
移动端阅览
张杰秋,伍棋,王舰梅,等.基于机器学习的病理组学特征可预测乳腺癌患者对新辅助化疗的反应[J].重庆医科大学学报,2023,48(12):1483-1488.

Zhang Jieqiu,Wu Qi,Wang Jianmei,et al.Pathomics signature based on machine learning can predict the response to neoadjuvant chemotherapy in breast cancer patients[J].Journal of Chongqing Medical University,2023,48(12):1483-1488.
张杰秋,伍棋,王舰梅,等.基于机器学习的病理组学特征可预测乳腺癌患者对新辅助化疗的反应[J].重庆医科大学学报,2023,48(12):1483-1488. DOI： 10.13406/j.cnki.cyxb.003380.

Zhang Jieqiu,Wu Qi,Wang Jianmei,et al.Pathomics signature based on machine learning can predict the response to neoadjuvant chemotherapy in breast cancer patients[J].Journal of Chongqing Medical University,2023,48(12):1483-1488. DOI： 10.13406/j.cnki.cyxb.003380.

摘要

目的

利用病理组学的方法开发用于预测乳腺癌（breast cancer，BC）患者新辅助化疗（neoadjuvant chemotherapy，NAC）反应的新型标志物。

方法

回顾性纳入211例西南医科大学附属医院的非特殊浸润性BC患者（训练组：155例，验证组：56例），使用CellProfiler软件提取患者数字病理切片中的高维病理组学特征，利用Mann-Whitney

检验、Spear

man相关系数和最小绝对值收敛和选择算子（least absolute shrinkage and selection operator，LASSO）算法进行特征逐层筛选。筛选后的最优特征通过支持向量机（support vector machine，SVM）方法在训练集中开发了病理组学特征（pathomics signature，PS）并在独立验证集中进行验证。PS与单因素有意义的临床病理因素（

0.05）纳入多因素逻辑回归进行进一步验证。

结果

PS的曲线下面积（area under the curve，AUC）为0.749（95%CI=0.672~0.827），验证集中AUC为0.737（95%CI=0.604~0.870）。多因素逻辑回归的结果显示，PS（

=2.317）与人表皮生长因子受体2（human epidermal growth factor receptor 2，HER2）（

=4.018）是BC患者NAC反应的独立预测因素。

结论

PS可以帮助临床医生在治疗前准确预测NAC的反应，促进BC患者的个性化治疗。

Abstract

Objective

To develop a novel marker for predicting the response to neoadjuvant chemotherapy（NAC） in patients with breast cancer（BC） using the pathomics approach.

Methods

A retrospective analysis was performed for 211 patients with non-specific invasive BC in The Affiliated Hospital of Southwest Medical University，among whom 155 were enrolled as training group and 56 were enrolled as validation group. CellProfiler software was used to extract high-dimensional pathomics signature from the digital pathological sections of patients，and then the Mann-Whitney

test，the Spearman correlation coefficient，and the least absolute shrinkage and selection operator（LASSO） algorithm were used for the stepwise screening of features. The optimal features after screening were used to develop pathomics signature（PS） by the support vector machine（SVM） method in the training set and validate in the independent validation set. PS and significant clinicopathological factors（

0.05） identified in the univariate analysis were included in the multivariate logistic regression analysis for further validation.

Results

PS had an area under the ROC curve of 0.749（95%CI=0.672-0.827） in the training set and 0.737（95%CI=0.604-0.870） in the validation set. The multivariate l

ogistic regression analysis showed that PS ［odds ratio（

）=2.317］ and human epidermal growth factor receptor 2（

=4.018） were independent predictive factors for response to NAC in BC patients.

Conclusion

PS can help clinicians accurately predict the response to NAC before treatment and improve the personalized treatment for BC patients.

关键词

Keywords

references

Siegel RL ， Miller KD ， Wagle NS ， et al . Cancer statistics，2023 [J ] . CA Cancer J Clin ， 2023 ， 73 （ 1 ）： 17 - 48 .

Giaquinto AN ， Sung H ， Miller KD ， et al . Breast cancer statistics，2022 [J ] . CA Cancer J Clin ， 2022 ， 72 （ 6 ）： 524 - 541 .

Loi S . The ESMO clinical practise guidelines for early breast cancer：diagnosis，treatment and follow-up：on the winding road to personalized medicine [J ] . Ann Oncol ， 2019 ， 30 （ 8 ）： 1183 - 1184 .

Cortazar P ， Zhang LJ ， Untch M ， et al . Pathological complete response and long-term clinical benefit in breast cancer：the CTNeoBC pooled analysis [J ] . Lancet ， 2014 ， 384 （ 9938 ）： 164 - 172 .

Jang MK ， Park S ， Park C ， et al . Body composition change during neoadjuvant chemotherapy for breast cancer [J ] . Front Oncol ， 2022 ， 12 ： 941496 .

Chen ST ， Jiang LR ， Zheng XY ， et al . Clinical use of machine learning-based pathomics signature for diagnosis and survival prediction of bladder cancer [J ] . Cancer Sci ， 2021 ， 112 （ 7 ）： 2905 - 2914 .

Chen ST ， Jiang LR ， Gao F ， et al . Machine learning-based pathomics signature could act as a novel prognostic marker for patients with clear cell renal cell carcinoma [J ] . Br J Cancer ， 2022 ， 126 （ 5 ）： 771 - 777 .

Chen DX ， Fu MT ， Chi LJ ， et al . Prognostic and predictive value of a pathomics signature in gastric cancer [J ] . Nat Commun ， 2022 ， 13 （ 1 ）： 6903 .

Corben AD ， Abi-Raad R ， Popa I ， et al . Pathologic response and long-term follow-up in breast cancer patients treated with neoadjuvant chemotherapy：a comparison between classifications and their practical application [J ] . Arch Pathol Lab Med ， 2013 ， 137 （ 8 ）： 1074 - 1082 .

Carpenter AE ， Jones TR ， Lamprecht MR ， et al . CellProfiler：image analysis software for identifying and quantifying cell phenotypes [J ] . Genome Biol ， 2006 ， 7 （ 10 ）： R100 .

刘　晨，陈小波，黄晓媚，等 . 基于MRI影像组学预测乳腺癌新辅助化疗后肿瘤退缩模式的研究 [J ] . 磁共振成像， 2023 ， 14 （ 3 ）： 28 - 35 .

Liu C ， Chen XB ， Huang XM ， et al . MRI-based radiomics for prediction of tumor regression pattern to neoadjuvant chemotherapy in breast cancer [J ] . Chin J Magn Reson Imag ， 2023 ， 14 （ 3 ）： 28 - 35 .

李蔓英，李　彬，罗佳，等 . 基于灰阶超声的影像组学模型预测乳腺癌新辅助化疗效果 [J ] . 中国医学影像技术， 2019 ， 35 （ 9 ）： 1331 - 1335 .

Li MY ， Li B ， Luo J ， et al . Ultrasound-based radiomics model in predicting efficacy of neoadjuvant chemotherapy in breast cancer [J ] . Chin J Med Imag Technol ， 2019 ， 35 （ 9 ）： 1331 - 1335 .

Mao N ， Shi YH ， Lian C ， et al . Intratumoral and peritumoral radiomics for preoperative prediction of neoadjuvant chemotherapy effect in breast cancer based on contrast-enhanced spectral mammography [J ] . Eur Radiol ， 2022 ， 32 （ 5 ）： 3207 - 3219 .

Cao R ， Yang F ， Ma SC ， et al . Development and interpretation of a pathomics-based model for the prediction of microsatellite instability in colorectal cancer [J ] . Theranostics ， 2020 ， 10 （ 24 ）： 11080 - 11091 .

Huang MW ， Chen CW ， Lin WC ， et al . SVM and SVM ensembles in breast cancer prediction [J ] . PLoS One ， 2017 ， 12 （ 1 ）： e0161501 .

Houssami N ， MacAskill P ， von Minckwitz G ， et al . Meta-analysis of the association of breast cancer subtype and pathologic complete response to neoadjuvant chemotherapy [J ] . Eur J Cancer ， 2012 ， 48 （ 18 ）： 3342 - 3354 .

Baselga J ， Bradbury I ， Eidtmann H ， et al . Lapatinib with trastuzumab for HER2-positive early breast cancer（NeoALTTO）：a randomised，open-label，multicentre，phase 3 trial [J ] . Lancet ， 2012 ， 379 （ 9816 ）： 633 - 640 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

乳腺癌p53、cerbB-2表达与TE方案新辅助化疗疗效的关系

乳腺癌新辅助化疗后病理完全缓解的预测因素分析

新辅助化疗对乳腺癌肿瘤蛋白的影响

人工智能用于困难气道预测的研究进展

老年住院患者肌少症影响因素分析及风险预测模型构建和验证