基于AI预后模型验证放疗对HER2阳性乳腺癌肺转移患者的生存获益

*仅供医学专业人士阅读参考

结合AI的预测模型有助于识别HER2阳性乳腺癌放疗获益人群并优化治疗策略

乳腺癌亚型中，人表皮生长因子受体2（HER2）阳性乳腺癌往往增殖率高、远处转移倾向强，且肺部为最常见转移部位之一[1]。放射治疗（RT）作为肿瘤局部治疗的重要手段，可帮助局部控制并缓解症状，但由于肿瘤负荷、治疗时机及患者反应存在异质性，RT在HER2阳性乳腺癌肺转移中的作用尚未完全明确[2]。近年来，人工智能（AI）已成为肿瘤学决策中的有力工具，基于影像组学的机器学习模型有望筛选最可能从RT中获益的患者、优化放疗计划并实时监测治疗反应[3]。然而，专门探索AI工具在指导HER2阳性乳腺癌肺转移RT中应用的相关研究仍较少。近期一项回顾性研究针对HER2阳性肺转移乳腺癌患者基于AI建立了新的RT预后预测模型，并对其性能进行了评估[4]。本文特此整理关键信息。

研究方法

队列特征

研究回顾性纳入了2006年1月至2021年12月期间在两家医疗机构接受治疗的248例HER2阳性乳腺癌伴肺转移患者。HER2阳性定义遵循ASCO/CAP指南。对于IHC 2+病例常规进行FISH检测以确认HER2状态。仅纳入经确认的HER2阳性患者。肺转移主要通过影像学检查（包括胸部CT和PET/CT）由经验丰富的放射科医师诊断。

患者纳入标准：（1）经组织学确认为HER2阳性乳腺癌；（2）影像或病理证实的肺转移；（3）临床资料完整可用。排除标准：（1）年龄＜18岁；（2）男性；（3）总生存期＜3个月；（4）合并严重基础疾病不宜接受放疗。

治疗方案

放疗采用调强放疗（IMRT），以实现适形剂量分布并降低毒性。中位放射剂量为42 Gy。治疗决策综合考虑肿瘤负荷、症状控制、患者整体临床状况及治疗费用等因素。

统计分析

分类变量采用卡方检验进行比较。连续变量（如年龄）的正态性通过Shapiro–Wilk检验评估：符合正态分布者采用独立样本t检验，非正态分布者采用Mann–Whitney U检验。为减少放疗组与非放疗组的基线差异，应用倾向性评分匹配（PSM）。采用Kaplan-Meier法绘制生存曲线，组间差异通过log-rank检验评估。

为识别与OS相关的潜在预后因素，采用最小绝对收缩与选择算子（LASSO）回归并进行10折交叉验证。根据交叉验证偏似然偏差最小值（λ.min）选择最优正则化参数（λ），以优化模型预测精度。在λ.min处系数非零的变量被保留，并进一步纳入多变量Cox比例风险模型以确定独立预后指标。根据最大选择秩统计量确定最优截断值，将患者按模型风险评分分为高风险组与低风险组。采用风险评分可视化图（ggrisk图）、受试者工作特征（ROC）曲线及决策曲线分析（DCA）评估模型的预后性能。

研究结果

患者基线特征

PSM前，248例HER2阳性乳腺癌患者的基线特征总结于表1。结果显示，放疗组与非放疗组在年龄、激素受体状态、Ki-67指数、T分期、N分期及化疗方案方面均无统计学显著差异（均p>0.05）。此外，放疗组接受曲妥珠单抗联合帕妥珠单抗治疗的患者比例较高（19.4% vs. 11.3%），尽管差异未达到统计学显著性（p=0.083）。两组间的激素治疗比例呈临界差异（p=0.054），放疗组激素受体阳性患者比例更高（48.4% vs. 35.5%）。

表1 患者基线特征（PSM前）

PSM后，两组间基线特征无显著差异（表2）。

表2 患者基线特征（PSM后）

总生存期

截至末次随访，放疗组124例患者中有80例（64.5%）死亡，非放疗组124例患者中有98例（79.0%）死亡。PSM前，放疗组患者中位总生存期（mOS）为50.4个月，非放疗组为34.0个月，差异具有统计学意义（p<0.001；图1A）。PSM后，放疗组的生存获益依然显著，其mOS为51.5个月，而非放疗组为32.3个月（p<0.001；图1B）。

图1 接受放疗与未放疗的患者的OS（Kaplan-Meier曲线）

AI模型的建立与验证

LASSO回归分析确定放疗、激素受体状态、T分期、N分期、化疗及激素治疗为OS的预后因素（图2A、B）。

图2 LASSO 回归分析

多变量Cox回归分析证实，RT是OS的独立预后因素（图3）。

图3 OS多变量Cox回归分析（森林图）

基于Cox模型计算每位患者的风险评分，并通过最优截断值（cutoff=0.01）将患者分为高风险组和低风险组（图4A）。如图4B所示，高风险组患者死亡数更多、OS更短。图4C的热图显示，两组间放疗分布的差异较为明显。

图4 风险评分模型评估和临床结局的相关性

ROC曲线（图5A）证实Cox模型具有良好的区分能力，其1年及3年AUC值分别为0.716和0.722。决策曲线分析（DCA；图5B）进一步证明了该模型的临床实用性和稳定性。

图5 风险评分模型的性能评估

文章小结

本研究通过回顾性分析证实，RT可显著延长HER2阳性乳腺癌肺转移患者OS，中位生存获益超过16个月。结合LASSO-Cox回归构建的AI风险预测模型，整合了放疗、激素受体状态、T/N分期等预后因素，显示出良好的区分能力与临床适用性。该模型有助于识别高风险患者、指导个体化治疗决策，体现了AI在优化晚期乳腺癌治疗策略中的应用潜力。

参考文献：

[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，仅供医疗卫生专业人士参考

审批编号：CN-170878 过期日期：2026-11-04

*此文仅用于向医疗卫生专业人士提供科学信息，不代表平台立场。