2025年12月22日，esmo新闻。意大利一项单中心研究结果显示，机器学习（ML）和深度学习（DL）模型可利用常规临床病理数据，预测激素受体阳性/人表皮生长因子受体2阴性（HR阳性/HER2阴性）乳腺癌患者接受新辅助化疗后的生存情况。该研究发表于《欧洲肿瘤内科学会真实世界数据与数字肿瘤学》期刊（《欧洲肿瘤内科学会真实世界数据与数字肿瘤学》，第10卷，100184页）。

关于乳腺癌的长期生存挑战

由于疾病的异质性及晚期复发特性，预测接受新辅助化疗的HR阳性/HER2阴性乳腺癌女性患者的长期生存情况具有一定挑战性，而病理完全缓解（pCR）被认为是复发风险的可靠预测指标（《柳叶刀》，2014年7月12日；384卷，第9938期：164-172页）。尽管Cox回归（COX）等传统生存模型存在局限性，但机器学习和深度学习方法已成为有效的替代方案，能够处理高维数据并捕捉复杂的非线性关系。

CORALAINE研究中

在回顾性纵向队列CORALAINE研究中，研究人员基于572例经确诊的HR阳性/HER2阴性浸润性乳腺癌患者的基线常规临床病理特征及术后病理特征组合，对5种机器学习模型和4种深度学习模型进行了训练。研究团队从电子病历（包括多学科肿瘤委员会报告）中回顾性收集了患者的临床病理信息和生存数据。

研究人员的发现

研究人员根据不同模型对新辅助化疗后无病生存期（DFS）和总生存期（OS）的预测能力进行了比较。巴西肿瘤临床中心及西班牙瓦尔德希伯伦肿瘤研究所研究员、欧洲肿瘤内科学会同行评审期刊主编罗德里戈·迪恩施曼博士指出：“一款深度学习模型表现出最佳性能（无病生存期预测的一致性指数为0.70，总生存期预测的一致性指数为0.68），但相比更简单的机器学习模型，其优势并不显著，且牺牲了可解释性。”

作者强调

研究作者强调，即便无法获取复杂或高维数据，依靠临床实践中常规收集的数据，也能实现较高的生存预测一致性指数。迪恩施曼总结道：“这些研究结果表明，在小样本数据集中，实用、可解释的模型或已足以满足临床使用需求。”