换一批乳腺癌患者新辅助治疗病理完全缓解疗效预测的可解释性机器学习模型开发与验证:一项多中心研究
Development and Validation of an Interpretable Machine Learning Model for Predicting Pathological Complete Response to Neoadjuvant Therapy in Breast Cancer Patients:A Multicenter Study
摘要目的 构建基于动态对比增强磁共振成像(DCE-MRI)特征与临床病理因素的机器学习模型,精准预测乳腺癌患者新辅助治疗(NAC)后病理完全缓解(pCR),并通过可解释性分析揭示预测机制.方法 回顾性纳入多中心521例乳腺癌患者[赣州市妇幼保健院作为训练集140例、徐州医科大学附属医院作为外部验证集1共94例、癌症影像档案库(TCIA)的BRCA数据作为外部验证集2共287例],均于NAC前完成DCE-MRI检查.提取影像组学特征及深度特征,经t检验、Pearson相关性分析及最小绝对收缩和选择算子(LASSO)回归筛选后,融合临床病理因素构建11种机器学习模型.以受试者工作特征曲线下面积(AUC)为主要指标评估模型性能,通过SHAP分析解析关键预测特征.结果 基于融合14个最优特征的CatBoost模型表现最佳,其训练集AUC达0.990(95%CI:0.969～1.000),外部验证集AUC为0.805(95%CI:0.695～0.916),TCIA验证集AUC为0.837(95%CI:0.773～0.901).SHAP分析显示,MRI融合特征评分(RadDL评分,51.3%)、孕激素受体(PR)状态(18.3%)、入表皮生长因子受体-2(HER-2)状态(16.4%)及雌激素受体(ER)状态(14.0%)为核心预测因子,其中RadDL评分高及HER-2阳性提示pCR概率升高,而ER、PR阳性则提示pCR概率降低.结论 融合DCE-MRI多模态特征与临床病理因素的CatBoost模型可精准预测乳腺癌患者NAC后pCR,SHAP可解释性分析为临床个体化治疗决策提供可靠依据.
更多相关知识
关键词
乳腺癌新辅助治疗动态对比增强磁共振成像机器学习SHAP可解释性病理完全缓解Breast cancerNeoadjuvant chemotherapyDynamic contrast-enhanced magnetic resonance imagingMachine learningSHAP interpretabilityPathological complete response
栏目名称
DOI
10.3969/j.issn.1001-9324.2026.02.011
发布时间
2026-03-13（万方平台首次上网日期，不代表论文的发表时间）
基金项目
中华国际医学交流基金会资助项目（Z-2014-08-2309-6）
徐州医科大学-齐鲁制药联合基金资助项目（QL-YB035）
- 浏览6
- 被引0
- 下载6
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
