*僅供醫學專業人士閱讀參考

結合AI的預測模型有助于識別HER2陽性乳腺癌放療獲益人群并優化治療策略

乳腺癌亞型中，人表皮生長因子受體2（HER2）陽性乳腺癌往往增殖率高、遠處轉移傾向強，且肺部為最常見轉移部位之一[1]。放射治療（RT）作為腫瘤局部治療的重要手段，可幫助局部控制并緩解癥狀，但由于腫瘤負荷、治療時機及患者反應存在異質性，RT在HER2陽性乳腺癌肺轉移中的作用尚未完全明確[2]。近年來，人工智能（AI）已成為腫瘤學決策中的有力工具，基于影像組學的機器學習模型有望篩選最可能從RT中獲益的患者、優化放療計劃并實時監測治療反應[3]。然而，專門探索AI工具在指導HER2陽性乳腺癌肺轉移RT中應用的相關研究仍較少。近期一項回顧性研究針對HER2陽性肺轉移乳腺癌患者基于AI建立了新的RT預后預測模型，并對其性能進行了評估[4]。本文特此整理關鍵信息。

研究方法

隊列特征

研究回顧性納入了2006年1月至2021年12月期間在兩家醫療機構接受治療的248例HER2陽性乳腺癌伴肺轉移患者。HER2陽性定義遵循ASCO/CAP指南。對于IHC 2+病例常規進行FISH檢測以確認HER2狀態。僅納入經確認的HER2陽性患者。肺轉移主要通過影像學檢查（包括胸部CT和PET/CT）由經驗豐富的放射科醫師診斷。

患者納入標準：（1）經組織學確認為HER2陽性乳腺癌；（2）影像或病理證實的肺轉移；（3）臨床資料完整可用。排除標準：（1）年齡＜18歲；（2）男性；（3）總生存期＜3個月；（4）合并嚴重基礎疾病不宜接受放療。

治療方案

放療采用調強放療（IMRT），以實現適形劑量分布并降低毒性。中位放射劑量為42 Gy。治療決策綜合考慮腫瘤負荷、癥狀控制、患者整體臨床狀況及治療費用等因素。

統計分析

分類變量采用卡方檢驗進行比較。連續變量（如年齡）的正態性通過Shapiro–Wilk檢驗評估：符合正態分布者采用獨立樣本t檢驗，非正態分布者采用Mann–Whitney U檢驗。為減少放療組與非放療組的基線差異，應用傾向性評分匹配（PSM）。采用Kaplan-Meier法繪制生存曲線，組間差異通過log-rank檢驗評估。

為識別與OS相關的潛在預后因素，采用最小絕對收縮與選擇算子（LASSO）回歸并進行10折交叉驗證。根據交叉驗證偏似然偏差最小值（λ.min）選擇最優正則化參數（λ），以優化模型預測精度。在λ.min處系數非零的變量被保留，并進一步納入多變量Cox比例風險模型以確定獨立預后指標。根據最大選擇秩統計量確定最優截斷值，將患者按模型風險評分分為高風險組與低風險組。采用風險評分可視化圖（ggrisk圖）、受試者工作特征（ROC）曲線及決策曲線分析（DCA）評估模型的預后性能。

研究結果

患者基線特征

PSM前，248例HER2陽性乳腺癌患者的基線特征總結于表1。結果顯示，放療組與非放療組在年齡、激素受體狀態、Ki-67指數、T分期、N分期及化療方案方面均無統計學顯著差異（均p>0.05）。此外，放療組接受曲妥珠單抗聯合帕妥珠單抗治療的患者比例較高（19.4% vs. 11.3%），盡管差異未達到統計學顯著性（p=0.083）。兩組間的激素治療比例呈臨界差異（p=0.054），放療組激素受體陽性患者比例更高（48.4% vs. 35.5%）。

表1 患者基線特征（PSM前）

PSM后，兩組間基線特征無顯著差異（表2）。

表2 患者基線特征（PSM后）

總生存期

截至末次隨訪，放療組124例患者中有80例（64.5%）死亡，非放療組124例患者中有98例（79.0%）死亡。PSM前，放療組患者中位總生存期（mOS）為50.4個月，非放療組為34.0個月，差異具有統計學意義（p<0.001；圖1A）。PSM后，放療組的生存獲益依然顯著，其mOS為51.5個月，而非放療組為32.3個月（p<0.001；圖1B）。

圖1 接受放療與未放療的患者的OS（Kaplan-Meier曲線）

AI模型的建立與驗證

LASSO回歸分析確定放療、激素受體狀態、T分期、N分期、化療及激素治療為OS的預后因素（圖2A、B）。

圖2 LASSO 回歸分析

多變量Cox回歸分析證實，RT是OS的獨立預后因素（圖3）。

圖3 OS多變量Cox回歸分析（森林圖）

基于Cox模型計算每位患者的風險評分，并通過最優截斷值（cutoff=0.01）將患者分為高風險組和低風險組（圖4A）。如圖4B所示，高風險組患者死亡數更多、OS更短。圖4C的熱圖顯示，兩組間放療分布的差異較為明顯。

圖4 風險評分模型評估和臨床結局的相關性

ROC曲線（圖5A）證實Cox模型具有良好的區分能力，其1年及3年AUC值分別為0.716和0.722。決策曲線分析（DCA；圖5B）進一步證明了該模型的臨床實用性和穩定性。

圖5 風險評分模型的性能評估

文章小結

本研究通過回顧性分析證實，RT可顯著延長HER2陽性乳腺癌肺轉移患者OS，中位生存獲益超過16個月。結合LASSO-Cox回歸構建的AI風險預測模型，整合了放療、激素受體狀態、T/N分期等預后因素，顯示出良好的區分能力與臨床適用性。該模型有助于識別高風險患者、指導個體化治療決策，體現了AI在優化晚期乳腺癌治療策略中的應用潛力。

參考文獻：

[1]Xiao W, Zheng S, Liu P, et al. Risk factors and survival outcomes in patients with breast cancer and lung metastasis: a population-based study. Cancer Med. 2018;7(3):922-930.

[2]Qi YJ, Su GH, You C, et al. Radiomics in breast cancer: Current advances and future directions. Cell Rep Med. 2024;5(9):101719.

[3]Díaz O, Rodríguez-Ruíz A, Sechopoulos I. Artificial Intelligence for breast cancer detection: Technology, challenges, and prospects. Eur J Radiol. 2024;175:111457.

[4]Ren T, Wang X, Luo S and Ke S (2025) Radiotherapy improves survival in HER2-positive breast cancer with lung metastases: a retrospective study with artificial intelligence-based prognostic modeling. Front. Oncol. 15:1633448.

本材料由阿斯利康提供，僅供醫療衛生專業人士參考

審批編號：CN-170878 過期日期：2026-11-04

*此文僅用于向醫療衛生專業人士提供科學信息，不代表平臺立場。